Question

由于ONNX支持有限的模型，因此我尝试通过直接分配参数来进行此转换，但是获得的tensorflow模型未能显示所需的精度。详细信息如下：

源模型经过Lenet训练的MNIST数据集。
我首先通过model.named_parameters（）提取每个模块及其参数，并将其保存到字典中，其中的键是模块的名称，值是参数
然后，我建立并启动了具有相同架构的张量流模型
最后，我将pytroch模型的每一层参数分配给张量流模型

但是，获得的张量流模型的精度仅为20％左右。因此，我的问题是可以通过这种方法转换pytorch模型吗？如果是，导致不良结果的可能原因是什么？如果没有，请解释原因。

PS：假设分配过程正确。

Answer 1

正如jodag的评论所提到的，Tensorflow和PyTorch中的运算符表示之间存在许多差异，这可能会导致工作流中的差异。

我们建议使用以下方法：

使用ONNX exporter in PyTorch将模型导出为ONNX格式。

import torch.onnx

# Argument: model is the PyTorch model 
# Argument: dummy_input is a torch tensor

torch.onnx.export(model, dummy_input, "LeNet_model.onnx")

使用onnx-tensorflow backend将ONNX模型转换为Tensorflow。

import onnx

from onnx_tf.backend import prepare

onnx_model = onnx.load("LeNet_model.onnx")  # load onnx model
tf_rep = prepare(onnx_model)  # prepare tf representation
tf_rep.export_graph("LeNet_model.pb")  # export the model

使用onnx，如何将pytorch模型手动转换为张量流模型？

1 个答案: