Pytorch轉(zhuǎn)變Caffe再轉(zhuǎn)變om模型轉(zhuǎn)換流程是怎樣的

這篇文章給大家介紹Pytorch轉(zhuǎn)變Caffe再轉(zhuǎn)變om模型轉(zhuǎn)換流程是怎樣的，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。

標(biāo)準(zhǔn)網(wǎng)絡(luò)

Baseline：PytorchToCaffe

主要功能代碼在：

PytorchToCaffe
+-- Caffe
|   +-- caffe.proto
|   +-- layer_param.py
+-- example
|   +-- resnet_pytorch_2_caffe.py
+-- pytorch_to_caffe.py

直接使用可以參考resnet_pytorch_2_caffe.py，如果網(wǎng)絡(luò)中的操作Baseline中都已經(jīng)實(shí)現(xiàn)，則可以直接轉(zhuǎn)換到Caffe模型。

添加自定義操作

如果遇到?jīng)]有實(shí)現(xiàn)的操作，則要分為兩種情況來考慮。

Caffe中有對應(yīng)操作

以arg_max為例分享一下添加操作的方式。

首先要查看Caffe中對應(yīng)層的參數(shù)：caffe.proto為對應(yīng)版本caffe層與參數(shù)的定義，可以看到ArgMax定義了out_max_val、top_k、axis三個參數(shù)：

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;
}

與Caffe算子邊界中的參數(shù)是一致的。

layer_param.py構(gòu)建了具體轉(zhuǎn)換時參數(shù)類的實(shí)例，實(shí)現(xiàn)了操作參數(shù)從Pytorch到Caffe的傳遞：

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中定義了Rp類，用來實(shí)現(xiàn)Pytorch操作到Caffe操作的變換：

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

在添加操作時，要使用Rp類替換操作：

torch.argmax = Rp(torch.argmax, torch_argmax)

接下來，要具體實(shí)現(xiàn)該操作：

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

即實(shí)現(xiàn)了argmax操作Pytorch到Caffe的轉(zhuǎn)換。

Caffe中無直接對應(yīng)操作

如果要轉(zhuǎn)換的操作在Caffe中無直接對應(yīng)的層實(shí)現(xiàn)，解決思路主要有兩個：

1）在Pytorch中將不支持的操作分解為支持的操作：

如nn.InstanceNorm2d，實(shí)例歸一化在轉(zhuǎn)換時是用BatchNorm做的，不支持 affine=True 或者track_running_stats=True，默認(rèn)use_global_stats:false，但om轉(zhuǎn)換時use_global_stats必須為true，所以可以轉(zhuǎn)到Caffe，但再轉(zhuǎn)om不友好。

InstanceNorm是在featuremap的每個Channel上進(jìn)行歸一化操作，因此，可以實(shí)現(xiàn)nn.InstanceNorm2d為：

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

但在驗(yàn)證HiLens Caffe算子邊界中發(fā)現(xiàn)， om模型轉(zhuǎn)換不支持Channle維度之外的求和或求均值操作，為了規(guī)避這個操作，我們可以通過支持的算子重新實(shí)現(xiàn)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

經(jīng)過驗(yàn)證，與原操作等價，可以轉(zhuǎn)為Caffe模型

2）在Caffe中通過利用現(xiàn)有操作實(shí)現(xiàn)：

在Pytorch轉(zhuǎn)Caffe的過程中發(fā)現(xiàn)，如果存在featuremap + 6這種涉及到常數(shù)的操作，轉(zhuǎn)換過程中會出現(xiàn)找不到blob的問題。我們首先查看pytorch_to_caffe.py中add操作的具體轉(zhuǎn)換方法：

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

可以看到對于blob不存在的情況進(jìn)行了判斷，我們只需要在log.blobs(args[0]) == None條件下進(jìn)行修改，一個自然的想法是利用Scale層實(shí)現(xiàn)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

類似的，featuremap * 6這種簡單乘法也可以通過同樣的方法實(shí)現(xiàn)。

踩過的坑

• Pooling：Pytorch默認(rèn) ceil_mode=false，Caffe默認(rèn) ceil_mode=true，可能會導(dǎo)致維度變化，如果出現(xiàn)尺寸不匹配的問題可以檢查一下Pooling參數(shù)是否正確。另外，雖然文檔上沒有看到，但是 kernel_size > 32 后模型雖然可以轉(zhuǎn)換，但推理會報錯，這時可以分兩層進(jìn)行Pooling操作。

• Upsample ：om邊界算子中的Upsample 層scale_factor參數(shù)必須是int，不能是size。如果已有模型參數(shù)為size也會正常跑完P(guān)ytorch轉(zhuǎn)Caffe的流程，但此時Upsample參數(shù)是空的。參數(shù)為size的情況可以考慮轉(zhuǎn)為scale_factor或用Deconvolution來實(shí)現(xiàn)。

• Transpose2d：Pytorch中 output_padding 參數(shù)會加在輸出的大小上，但Caffe不會，輸出特征圖相對會變小，此時反卷積之后的featuremap會變大一點(diǎn)，可以通過Crop層進(jìn)行裁剪，使其大小與Pytorch對應(yīng)層一致。另外，om中反卷積推理速度較慢，最好是不要使用，可以用Upsample+Convolution替代。

• Pad：Pytorch中Pad操作很多樣，但Caffe中只能進(jìn)行H與W維度上的對稱pad，如果Pytorch網(wǎng)絡(luò)中有h = F.pad(x, (1, 2, 1, 2), "constant", 0)這種不對稱的pad操作，解決思路為：

1. 如果不對稱pad的層不存在后續(xù)的維度不匹配的問題，可以先判斷一下pad對結(jié)果的影響，一些任務(wù)受pad的影響很小，那么就不需要修改。

2. 如果存在維度不匹配的問題，可以考慮按照較大的參數(shù)充分pad之后進(jìn)行Crop，或是將前后兩個(0, 0, 1, 1)與(1, 1, 0, 0)的pad合為一個(1, 1, 1, 1)，這要看具體的網(wǎng)絡(luò)結(jié)構(gòu)確定。

3. 如果是Channel維度上的pad如F.pad(x, (0, 0, 0, 0, 0, channel_pad), "constant", 0)，可以考慮零卷積后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)

• 一些操作可以轉(zhuǎn)到Caffe，但om并不支持標(biāo)準(zhǔn)Caffe的所有操作，如果要再轉(zhuǎn)到om要對照文檔確認(rèn)好邊界算子。

關(guān)于Pytorch轉(zhuǎn)變Caffe再轉(zhuǎn)變om模型轉(zhuǎn)換流程是怎樣的就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。