溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
如何使用ONNX部署深度學習和傳統(tǒng)機器學習模型，針對這個問題，這篇文章詳細介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。
開放神經(jīng)網(wǎng)絡(luò)交換ONNX（Open Neural Network Exchange）是一套表示深度神經(jīng)網(wǎng)絡(luò)模型的開放格式，由微軟和Facebook于2017推出，然后迅速得到了各大廠商和框架的支持。通過短短幾年的發(fā)展，已經(jīng)成為表示深度學習模型的實際標準，并且通過ONNX-ML，可以支持傳統(tǒng)非神經(jīng)網(wǎng)絡(luò)機器學習模型，大有一統(tǒng)整個AI模型交換標準。
ONNX定義了一組與環(huán)境和平臺無關(guān)的標準格式，為AI模型的互操作性提供了基礎(chǔ)，使AI模型可以在不同框架和環(huán)境下交互使用。硬件和軟件廠商可以基于ONNX標準優(yōu)化模型性能，讓所有兼容ONNX標準的框架受益。目前，ONNX主要關(guān)注在模型預(yù)測方面（inferring），使用不同框架訓(xùn)練的模型，轉(zhuǎn)化為ONNX格式后，可以很容易的部署在兼容ONNX的運行環(huán)境中。
ONNX規(guī)范由以下幾個部分組成：
一個可擴展的計算圖模型：定義了通用的計算圖中間表示法（Intermediate Representation）。
內(nèi)置操作符集：ai.onnx和ai.onnx.ml，ai.onnx是默認的操作符集，主要針對神經(jīng)網(wǎng)絡(luò)模型，ai.onnx.ml主要適用于傳統(tǒng)非神經(jīng)網(wǎng)絡(luò)機器學習模型。
標準數(shù)據(jù)類型。包括張量（tensors）、序列（sequences）和映射（maps）。
目前，ONNX規(guī)范有兩個官方變體，主要區(qū)別在與支持的類型和默認的操作符集。ONNX神經(jīng)網(wǎng)絡(luò)變體只使用張量作為輸入和輸出；而作為支持傳統(tǒng)機器學習模型的ONNX-ML，還可以識別序列和映射，ONNX-ML為支持非神經(jīng)網(wǎng)絡(luò)算法擴展了ONNX操作符集。
ONNX使用protobuf序列化AI模型，頂層是一個模型（Model）結(jié)構(gòu)，主要由關(guān)聯(lián)的元數(shù)據(jù)和一個圖（Graph）組成；圖由元數(shù)據(jù)、模型參數(shù)、輸入輸出、和計算節(jié)點（Node）序列組成，這些節(jié)點構(gòu)成了一個計算無環(huán)圖，每一個計算節(jié)點代表了一次操作符的調(diào)用，主要由節(jié)點名稱、操作符、輸入列表、輸出列表和屬性列表組成，屬性列表主要記錄了一些運行時常量，比如模型訓(xùn)練時生成的系數(shù)值。
為了更直觀的了解ONNX格式內(nèi)容，下面，我們訓(xùn)練一個簡單的LogisticRegression模型，然后導(dǎo)出ONNX。仍然使用常用的分類數(shù)據(jù)集iris：
from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression iris = load_iris() X, y = iris.data, iris.target X_train, X_test, y_train, y_test = train_test_split(X, y) clr = LogisticRegression() clr.fit(X_train, y_train)
使用skl2onnx把Scikit-learn模型序列化為ONNX格式：
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
initial_type = [('float_input', FloatTensorType([1, 4]))]
onx = convert_sklearn(clr, initial_types=initial_type)
with open("logreg_iris.onnx", "wb") as f:
f.write(onx.SerializeToString())使用ONNX Python API查看和驗證模型：
import onnx
model = onnx.load('logreg_iris.onnx')
print(model)輸出模型信息如下：
ir_version: 5
producer_name: "skl2onnx"
producer_version: "1.5.1"
domain: "ai.onnx"
model_version: 0
doc_string: ""
graph {
node {
input: "float_input"
output: "label"
output: "probability_tensor"
name: "LinearClassifier"
op_type: "LinearClassifier"
attribute {
name: "classlabels_ints"
ints: 0
ints: 1
ints: 2
type: INTS
}
attribute {
name: "coefficients"
floats: 0.375753253698349
floats: 1.3907358646392822
floats: -2.127762794494629
floats: -0.9207873344421387
floats: 0.47902926802635193
floats: -1.5524250268936157
floats: 0.46959221363067627
floats: -1.2708674669265747
floats: -1.5656673908233643
floats: -1.256540060043335
floats: 2.18996000289917
floats: 2.2694246768951416
type: FLOATS
}
attribute {
name: "intercepts"
floats: 0.24828049540519714
floats: 0.8415762782096863
floats: -1.0461325645446777
type: FLOATS
}
attribute {
name: "multi_class"
i: 1
type: INT
}
attribute {
name: "post_transform"
s: "LOGISTIC"
type: STRING
}
domain: "ai.onnx.ml"
}
node {
input: "probability_tensor"
output: "probabilities"
name: "Normalizer"
op_type: "Normalizer"
attribute {
name: "norm"
s: "L1"
type: STRING
}
domain: "ai.onnx.ml"
}
node {
input: "label"
output: "output_label"
name: "Cast"
op_type: "Cast"
attribute {
name: "to"
i: 7
type: INT
}
domain: ""
}
node {
input: "probabilities"
output: "output_probability"
name: "ZipMap"
op_type: "ZipMap"
attribute {
name: "classlabels_int64s"
ints: 0
ints: 1
ints: 2
type: INTS
}
domain: "ai.onnx.ml"
}
name: "deedadd605a34d41ac95746c4feeec1f"
input {
name: "float_input"
type {
tensor_type {
elem_type: 1
shape {
dim {
dim_value: 1
}
dim {
dim_value: 4
}
}
}
}
}
output {
name: "output_label"
type {
tensor_type {
elem_type: 7
shape {
dim {
dim_value: 1
}
}
}
}
}
output {
name: "output_probability"
type {
sequence_type {
elem_type {
map_type {
key_type: 7
value_type {
tensor_type {
elem_type: 1
}
}
}
}
}
}
}
}
opset_import {
domain: ""
version: 9
}
opset_import {
domain: "ai.onnx.ml"
version: 1
}我們可以看到頂層字段記錄了一些模型的元數(shù)據(jù)信息，代表的含義都比較直觀，字段詳細解釋可以參考文檔Open Neural Network Exchange - ONNX。opset_import記錄了該模型引入的操作符集?？盏?code>domain操作符集表示引入ONNX默認的操作符集ai.onnx。ai.onnx.ml代表支持傳統(tǒng)非神經(jīng)網(wǎng)絡(luò)模型操作符集，比如以上模型中的LinearClassifier、Normalizer和ZipMap。圖（graph）中定義了以下元素：
四個計算節(jié)點（node）。
一個輸入變量float_input，類型為1*4的張量，elem_type是一個DataType枚舉型變量，1代表FLOAT。
兩個輸出變量output_label和output_probability，output_label類型為維數(shù)為1的INT64（elem_type: 7）張量，代表預(yù)測目標分類； output_probability類型是映射的序列，映射的鍵是INT64（key_type: 7），值為維數(shù)為1的FLOAT，代表每一個目標分類的概率。
可以使用netron，圖像化顯示ONNX模型的計算拓撲圖，以上模型如下圖：
下面我們使用ONNX Runtime Python API預(yù)測該ONNX模型，當前僅使用了測試數(shù)據(jù)集中的第一條數(shù)據(jù)：
import onnxruntime as rt
import numpy
sess = rt.InferenceSession("logreg_iris.onnx")
input_name = sess.get_inputs()[0].name
label_name = sess.get_outputs()[0].name
probability_name = sess.get_outputs()[1].name
pred_onx = sess.run([label_name, probability_name], {
input_name: X_test[0].astype(numpy.float32)})
# print info
print('input_name: ' + input_name)
print('label_name: ' + label_name)
print('probability_name: ' + probability_name)
print(X_test[0])
print(pred_onx)打印的模型信息和預(yù)測值如下：
input_name: float_input
label_name: output_label
probability_name: output_probability
[5.5 2.6 4.4 1.2]
[array([1], dtype=int64), [{0: 0.012208569794893265, 1: 0.5704444646835327, 2: 0.4173469841480255}]]完整的程序，可以參考以下Notebook：onnx.ipynb
ONNX和PMML都是與平臺和環(huán)境無關(guān)的模型表示標準，可以讓模型部署脫離模型訓(xùn)練環(huán)境，簡化了部署流程，加速模型快速上線到生產(chǎn)環(huán)境中。這兩個標準都得到了各大廠商和框架的支持，具有廣泛的應(yīng)用。
PMML是一個比較成熟的標準，在ONNX誕生之前，可以說是模型表示的實際標準，對傳統(tǒng)數(shù)據(jù)挖掘模型有豐富的支持，最新 PMML4.4 可以支持多達19種模型類型。但是，目前PMML缺乏對深度學習模型的支持，下一版本5.0有可能會添加對深度神經(jīng)網(wǎng)絡(luò)的支持，但是因為PMML是基于老式的XML格式，使用文本格式來存儲深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)會帶來模型大小和性能的問題，目前該問題還沒有一個完美的解決方案。關(guān)于PMML的詳細介紹，可以參考文章《使用PMML部署機器學習模型》。
ONNX作為一個新的標準，剛開始主要提供對深度神經(jīng)網(wǎng)絡(luò)模型的支持，解決模型在不同框架下互操作和交換的問題。目前通過ONNX-ML，ONNX已經(jīng)可以支持傳統(tǒng)非神經(jīng)網(wǎng)絡(luò)機器學習模型，但是目前模型類型還不夠豐富。ONNX使用protobuf二進制格式來序列化模型，可以提供更好的傳輸性能。
ONNX和PMML這兩種格式都有成熟的開源類庫和框架支持，PMML有JPMML，PMML4S，PyPMML等。ONNX有微軟的ONNX runtime，NVIDIA TensorRT等。用戶可以根據(jù)自己的實際情況選擇合適的跨平臺格式來部署AI模型。
DaaS（Deployment-as-a-Service）是AutoDeployAI公司推出的AI模型自動部署系統(tǒng)，支持多種模型類型的上線部署，以下我們介紹如何在DaaS中使用ONNX格式來部署傳統(tǒng)機器學習模型和深度神經(jīng)網(wǎng)絡(luò)學習模型，DaaS使用ONNX Runtime作為ONNX模型的執(zhí)行引擎，ONNX Runtime是微軟開源的ONNX預(yù)測類庫，提供高性能預(yù)測服務(wù)功能。首先，登陸DaaS系統(tǒng)后，創(chuàng)建一個新的工程ONNX，下面的操作都在該工程下進行。關(guān)于DaaS的詳細信息，可以參考文章《自動部署PMML模型生成REST API》。
導(dǎo)入模型。選擇上面訓(xùn)練的Logistic Regression模型logreg_iris.onnx：
導(dǎo)入成功后，頁面轉(zhuǎn)到模型主頁面。可以看到模型有一個輸入字段float_input，類型是tensor(float)，維數(shù)(1,4)。兩個輸出字段：output_label和output_probability。
測試模型。點擊標簽頁測試，輸入預(yù)測數(shù)據(jù)[[5.5, 2.6, 4.4, 1.2]]，然后點擊提交命令，輸出頁面顯示預(yù)測測試結(jié)果：
創(chuàng)建默認實時預(yù)測Web服務(wù)。點擊標簽頁部署，然后點擊添加服務(wù)命令，輸入服務(wù)名稱，其他使用默認值：
測試Web服務(wù)。服務(wù)創(chuàng)建成功后，頁面轉(zhuǎn)到服務(wù)部署主頁，當服務(wù)副本狀態(tài)為運行中時，代表Web服務(wù)已經(jīng)成功上線，可以接受外部請求。有兩種方式測試該服務(wù)：
在DaaS系統(tǒng)中通過測試頁面。點擊標簽頁測試，輸入JSON格式的請求正文，點擊提交命令:
通過任意的RSET客戶端，使用標準的REST API來測試。這里我們使用curl命令行程序來調(diào)用Web服務(wù)，點擊生成代碼命令，彈出顯示使用curl命令調(diào)用REST API的對話框：
復(fù)制該curl命令，打開shell頁面，執(zhí)行命令：
我們嘗試部署ONNX Model Zoo中已經(jīng)訓(xùn)練好的模型，這里我們選擇MNIST-手寫數(shù)字識別CNN模型，下載基于ONNX1.3的模型最新版本：mnist.tar.gz。
導(dǎo)入模型。選擇已下載模型mnist.tar.gz：
導(dǎo)入成功后，頁面轉(zhuǎn)到模型主頁面?？梢钥吹侥Ｐ陀幸粋€輸入字段Input3，類型是tensor(float)，維數(shù)(1,1,28,28)。一個輸出字段：Plus214_Output_0，類型同樣是tensor(float)，維數(shù)(1,10)。
測試模型。點擊標簽頁測試，然后點擊JSON命令，DaaS系統(tǒng)會自動創(chuàng)建符合輸入數(shù)據(jù)格式的隨機數(shù)據(jù)，以方便測試。點擊提交命令，輸出頁面顯示預(yù)測測試結(jié)果：
創(chuàng)建自定義實施預(yù)測腳本。為了能支持輸入圖像，并且直接輸出預(yù)測值，我們需要創(chuàng)建自定義預(yù)測腳本。點擊標簽頁實時預(yù)測，然后點擊生成自定義實時預(yù)測腳本命令，
腳本生成后，點擊命令作為API測試，進入腳本測試頁面，我們可以自由添加自定義預(yù)處理和后處理功能。添加以下函數(shù)預(yù)處理圖像：
def rgb2gray(rgb): """Convert the input image into grayscale""" import numpy as np return np.dot(rgb[...,:3], [0.299, 0.587, 0.114]) def resize_img(img_to_resize): """Resize image to MNIST model input dimensions""" import cv2 r_img = cv2.resize(img_to_resize, dsize=(28, 28), interpolation=cv2.INTER_AREA) r_img.resize((1, 1, 28, 28)) return r_img def preprocess_image(img_to_preprocess): """Resize input images and convert them to grayscale.""" if img_to_preprocess.shape == (28, 28): img_to_preprocess.resize((1, 1, 28, 28)) return img_to_preprocess grayscale = rgb2gray(img_to_preprocess) processed_img = resize_img(grayscale) return processed_img
在已有preprocess_files函數(shù)中調(diào)用preprocess_image，代碼如下：
import matplotlib.image as mpimg for key, file in files.items(): img = mpimg.imread(file) record[key] = preprocess_image(img)
在已有postprocess函數(shù)中添加如下代碼后處理預(yù)測結(jié)果以獲取最終的預(yù)測值：
def postprocess(result): """postprocess the predicted results""" import numpy as np return [int(np.argmax(np.array(result).squeeze(), axis=0))]
點擊命令保存，然后在請求頁面中輸入函數(shù)名為predict，選擇請求正文基于表單，輸入表單名稱為模型唯一的輸入字段名Input3，類型選擇文件，點擊上傳，選擇測試圖像2.png，最后點擊提交命令，測試該腳本是否按照我們的期望工作：
創(chuàng)建正式部署Web服務(wù)。當腳本測試成功后，點擊部署標簽頁，然后點擊添加網(wǎng)絡(luò)服務(wù)命令，輸入服務(wù)名稱，其他使用默認值：
測試Web服務(wù)。服務(wù)創(chuàng)建成功后，頁面轉(zhuǎn)到服務(wù)部署主頁，當服務(wù)副本狀態(tài)為運行中時，代表Web服務(wù)已經(jīng)成功上線，可以接受外部請求。有兩種方式測試該服務(wù)：
在DaaS系統(tǒng)中通過測試頁面。點擊標簽頁測試，選擇請求正文基于表單，選擇輸入測試圖像5.jpg，點擊提交命令:
通過任意的RSET客戶端，使用標準的REST API來測試。這里我們使用curl命令行程序來調(diào)用Web服務(wù)，點擊生成代碼命令，彈出顯示使用curl命令調(diào)用REST API的對話框：
復(fù)制該curl命令，打開shell頁面，切換到圖像目錄下，執(zhí)行命令：
關(guān)于如何使用ONNX部署深度學習和傳統(tǒng)機器學習模型問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注億速云行業(yè)資訊頻道了解更多相關(guān)知識。
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼