导航：首页 > 互联网科技 >

Pytorch转变Caffe再转变om模型转换流程是怎样的

发表于：2024-12-12 作者：千家信息网编辑

千家信息网最后更新 2024年12月12日，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。标准网络Baseline：PytorchToCaffe主

千家信息网最后更新 2024年12月12日Pytorch转变Caffe再转变om模型转换流程是怎样的

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。

标准网络

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。

添加自定义操作

如果遇到没有实现的操作，则要分为两种情况来考虑。

Caffe中有对应操作

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。

Caffe中无直接对应操作

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。

踩过的坑

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)