这篇文章给大家介绍Pytorch转变Caffe再转变om模型转换流程是怎样的，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
公司主营业务：成都网站设计、网站制作、外贸营销网站建设、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。成都创新互联公司是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。成都创新互联公司推出贞丰免费做网站回馈大家。
Baseline：PytorchToCaffe
主要功能代码在：
PytorchToCaffe +-- Caffe | +-- caffe.proto | +-- layer_param.py +-- example | +-- resnet_pytorch_2_caffe.py +-- pytorch_to_caffe.py
直接使用可以参考resnet_pytorch_2_caffe.py，如果网络中的操作Baseline中都已经实现，则可以直接转换到Caffe模型。
如果遇到没有实现的操作，则要分为两种情况来考虑。
以arg_max为例分享一下添加操作的方式。
首先要查看Caffe中对应层的参数：caffe.proto为对应版本caffe层与参数的定义，可以看到ArgMax定义了out_max_val、top_k、axis三个参数：
message ArgMaxParameter {
// If true produce pairs (argmax, maxval)
optional bool out_max_val = 1 [default = false];
optional uint32 top_k = 2 [default = 1];
// The axis along which to maximise -- may be negative to index from the
// end (e.g., -1 for the last axis).
// By default ArgMaxLayer maximizes over the flattened trailing dimensions
// for each index of the first / num dimension.
optional int32 axis = 3;
}与Caffe算子边界中的参数是一致的。
layer_param.py构建了具体转换时参数类的实例，实现了操作参数从Pytorch到Caffe的传递：
def argmax_param(self, out_max_val=None, top_k=None, dim=1): argmax_param = pb.ArgMaxParameter() if out_max_val is not None: argmax_param.out_max_val = out_max_val if top_k is not None: argmax_param.top_k = top_k if dim is not None: argmax_param.axis = dim self.param.argmax_param.CopyFrom(argmax_param)
pytorch_to_caffe.py中定义了Rp类，用来实现Pytorch操作到Caffe操作的变换：
class Rp(object):
def __init__(self, raw, replace, **kwargs):
self.obj = replace
self.raw = raw
def __call__(self, *args, **kwargs):
if not NET_INITTED:
return self.raw(*args, **kwargs)
for stack in traceback.walk_stack(None):
if 'self' in stack[0].f_locals:
layer = stack[0].f_locals['self']
if layer in layer_names:
log.pytorch_layer_name = layer_names[layer]
print('984', layer_names[layer])
break
out = self.obj(self.raw, *args, **kwargs)
return out在添加操作时，要使用Rp类替换操作：
torch.argmax = Rp(torch.argmax, torch_argmax)
接下来，要具体实现该操作：
def torch_argmax(raw, input, dim=1): x = raw(input, dim=dim) layer_name = log.add_layer(name='argmax') top_blobs = log.add_blobs([x], name='argmax_blob'.format(type)) layer = caffe_net.Layer_param(name=layer_name, type='ArgMax', bottom=[log.blobs(input)], top=top_blobs) layer.argmax_param(dim=dim) log.cnet.add_layer(layer) return x
即实现了argmax操作Pytorch到Caffe的转换。
如果要转换的操作在Caffe中无直接对应的层实现，解决思路主要有两个：
1）在Pytorch中将不支持的操作分解为支持的操作：
如nn.InstanceNorm2d，实例归一化在转换时是用BatchNorm做的，不支持 affine=True 或者track_running_stats=True，默认use_global_stats:false，但om转换时use_global_stats必须为true，所以可以转到Caffe，但再转om不友好。
InstanceNorm是在featuremap的每个Channel上进行归一化操作，因此，可以实现nn.InstanceNorm2d为：
class InstanceNormalization(nn.Module): def __init__(self, dim, eps=1e-5): super(InstanceNormalization, self).__init__() self.gamma = nn.Parameter(torch.FloatTensor(dim)) self.beta = nn.Parameter(torch.FloatTensor(dim)) self.eps = eps self._reset_parameters() def _reset_parameters(self): self.gamma.data.uniform_() self.beta.data.zero_() def __call__(self, x): n = x.size(2) * x.size(3) t = x.view(x.size(0), x.size(1), n) mean = torch.mean(t, 2).unsqueeze(2).unsqueeze(3).expand_as(x) var = torch.var(t, 2).unsqueeze(2).unsqueeze(3).expand_as(x) gamma_broadcast = self.gamma.unsqueeze(1).unsqueeze(1).unsqueeze(0).expand_as(x) beta_broadcast = self.beta.unsqueeze(1).unsqueeze(1).unsqueeze(0).expand_as(x) out = (x - mean) / torch.sqrt(var + self.eps) out = out * gamma_broadcast + beta_broadcast return out
但在验证HiLens Caffe算子边界中发现， om模型转换不支持Channle维度之外的求和或求均值操作，为了规避这个操作，我们可以通过支持的算子重新实现nn.InstanceNorm2d：
class InstanceNormalization(nn.Module): def __init__(self, dim, eps=1e-5): super(InstanceNormalization, self).__init__() self.gamma = torch.FloatTensor(dim) self.beta = torch.FloatTensor(dim) self.eps = eps self.adavg = nn.AdaptiveAvgPool2d(1) def forward(self, x): n, c, h, w = x.shape mean = nn.Upsample(scale_factor=h)(self.adavg(x)) var = nn.Upsample(scale_factor=h)(self.adavg((x - mean).pow(2))) gamma_broadcast = self.gamma.unsqueeze(1).unsqueeze(1).unsqueeze(0).expand_as(x) beta_broadcast = self.beta.unsqueeze(1).unsqueeze(1).unsqueeze(0).expand_as(x) out = (x - mean) / torch.sqrt(var + self.eps) out = out * gamma_broadcast + beta_broadcast return out
经过验证，与原操作等价，可以转为Caffe模型
2）在Caffe中通过利用现有操作实现：
在Pytorch转Caffe的过程中发现，如果存在featuremap + 6这种涉及到常数的操作，转换过程中会出现找不到blob的问题。我们首先查看pytorch_to_caffe.py中add操作的具体转换方法：
def _add(input, *args): x = raw__add__(input, *args) if not NET_INITTED: return x layer_name = log.add_layer(name='add') top_blobs = log.add_blobs([x], name='add_blob') if log.blobs(args[0]) == None: log.add_blobs([args[0]], name='extra_blob') else: layer = caffe_net.Layer_param(name=layer_name, type='Eltwise', bottom=[log.blobs(input),log.blobs(args[0])], top=top_blobs) layer.param.eltwise_param.operation = 1 # sum is 1 log.cnet.add_layer(layer) return x
可以看到对于blob不存在的情况进行了判断，我们只需要在log.blobs(args[0]) == None条件下进行修改，一个自然的想法是利用Scale层实现add操作：
def _add(input, *args): x = raw__add__(input, *args) if not NET_INITTED: return x layer_name = log.add_layer(name='add') top_blobs = log.add_blobs([x], name='add_blob') if log.blobs(args[0]) == None: layer = caffe_net.Layer_param(name=layer_name, type='Scale', bottom=[log.blobs(input)], top=top_blobs) layer.param.scale_param.bias_term = True weight = torch.ones((input.shape[1])) bias = torch.tensor(args[0]).squeeze().expand_as(weight) layer.add_data(weight.cpu().data.numpy(), bias.cpu().data.numpy()) log.cnet.add_layer(layer) else: layer = caffe_net.Layer_param(name=layer_name, type='Eltwise', bottom=[log.blobs(input), log.blobs(args[0])], top=top_blobs) layer.param.eltwise_param.operation = 1 # sum is 1 log.cnet.add_layer(layer) return x
类似的，featuremap * 6这种简单乘法也可以通过同样的方法实现。
Pooling：Pytorch默认 ceil_mode=false，Caffe默认 ceil_mode=true，可能会导致维度变化，如果出现尺寸不匹配的问题可以检查一下Pooling参数是否正确。另外，虽然文档上没有看到，但是 kernel_size > 32 后模型虽然可以转换，但推理会报错，这时可以分两层进行Pooling操作。
Upsample ：om边界算子中的Upsample 层scale_factor参数必须是int，不能是size。如果已有模型参数为size也会正常跑完Pytorch转Caffe的流程，但此时Upsample参数是空的。参数为size的情况可以考虑转为scale_factor或用Deconvolution来实现。
Transpose2d：Pytorch中 output_padding 参数会加在输出的大小上，但Caffe不会，输出特征图相对会变小，此时反卷积之后的featuremap会变大一点，可以通过Crop层进行裁剪，使其大小与Pytorch对应层一致。另外，om中反卷积推理速度较慢，最好是不要使用，可以用Upsample+Convolution替代。
Pad：Pytorch中Pad操作很多样，但Caffe中只能进行H与W维度上的对称pad，如果Pytorch网络中有h = F.pad(x, (1, 2, 1, 2), "constant", 0)这种不对称的pad操作，解决思路为：
如果不对称pad的层不存在后续的维度不匹配的问题，可以先判断一下pad对结果的影响，一些任务受pad的影响很小，那么就不需要修改。
如果存在维度不匹配的问题，可以考虑按照较大的参数充分pad之后进行Crop，或是将前后两个(0, 0, 1, 1)与(1, 1, 0, 0)的pad合为一个(1, 1, 1, 1)，这要看具体的网络结构确定。
如果是Channel维度上的pad如F.pad(x, (0, 0, 0, 0, 0, channel_pad), "constant", 0)，可以考虑零卷积后cat到featuremap上：
zero = nn.Conv2d(in_channels, self.channel_pad, kernel_size=3, padding=1, bias=False) nn.init.constant(self.zero.weight, 0) pad_tensor = zero(x) x = torch.cat([x, pad_tensor], dim=1)
一些操作可以转到Caffe，但om并不支持标准Caffe的所有操作，如果要再转到om要对照文档确认好边界算子。
关于Pytorch转变Caffe再转变om模型转换流程是怎样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
