推理模型离线转换

查看源文件

概述

MindSpore Lite提供离线转换模型功能的工具,支持多种类型的模型转换,转换后的模型可用于推理。命令行参数包含多种个性化选项,为用户提供方便的转换途径。

目前支持的输入模型类型有:MindSpore、TensorFlow Lite、Caffe、TensorFlow、ONNX和PyTorch。

通过转换工具转换成的ms模型,支持转换工具配套及更高版本的Runtime推理框架执行推理。

Linux环境使用说明

环境准备

使用MindSpore Lite模型转换工具,需要进行如下环境准备工作。

  • 编译下载模型转换工具。

  • 将转换工具需要的动态链接库加入环境变量LD_LIBRARY_PATH。

    export LD_LIBRARY_PATH=${PACKAGE_ROOT_PATH}/tools/converter/lib:${LD_LIBRARY_PATH}
    

    ${PACKAGE_ROOT_PATH}是编译或下载得到的包解压后的路径。

目录结构

mindspore-lite-{version}-linux-x64
└── tools
    └── converter
        ├── include
        │   └── registry             # 自定义算子、模型解析、节点解析、转换优化注册头文件
        ├── converter                # 模型转换工具
        │   └── converter_lite       # 可执行程序
        └── lib                      # 转换工具依赖的动态库
            ├── libmindspore_glog.so.0         # Glog的动态库
            ├── libmslite_converter_plugin.so  # 注册插件的动态库
            ├── libopencv_core.so.4.5          # OpenCV的动态库
            ├── libopencv_imgcodecs.so.4.5     # OpenCV的动态库
            └── libopencv_imgproc.so.4.5       # OpenCV的动态库

参数说明

MindSpore Lite模型转换工具提供了多种参数设置,用户可根据需要来选择使用。此外,用户可输入./converter_lite --help获取实时帮助。

下面提供详细的参数说明。

参数

是否必选

参数说明

取值范围

默认值

备注

--help

打印全部帮助信息。

-

-

-

--fmk=<FMK>

输入模型的原始格式。

MINDIR、CAFFE、TFLITE、TF、ONNX、PYTORCH、MSLITE

-

只有在Micro代码生存时,才支持设置为MSLITE

--modelFile=<MODELFILE>

输入模型的路径。

-

-

-

--outputFile=<OUTPUTFILE>

输出模型的路径,不需加后缀,可自动生成.ms后缀。

-

-

-

--weightFile=<WEIGHTFILE>

转换Caffe模型时必选

输入模型weight文件的路径。

-

-

-

--configFile=<CONFIGFILE>

1)可作为训练后量化配置文件路径;2)可作为扩展功能配置文件路径。

-

-

-

--fp16=<FP16>

设定在模型序列化时是否需要将float32数据格式的权重存储为float16数据格式。

on、off

off

-

--inputShape=<INPUTSHAPE>

设定模型输入的维度,输入维度的顺序和原始模型保持一致。对某些特定的模型可以进一步优化模型结构,但是转化后的模型将可能失去动态shape的特性。多个输入用;分割,同时加上双引号""

e.g. “inTensorName_1: 1,32,32,4;inTensorName_2:1,64,64,4;”

-

-

--saveType=<SAVETYPE>

设定导出的模型为mindir模型或者ms模型。

MINDIR、MINDIR_LITE

MINDIR_LITE

端侧推理版本只有设置为MINDIR_LITE转出的模型才可以推理

--optimize=<OPTIMIZE>

设定转换模型的过程所完成的优化。

none、general、gpu_oriented、ascend_oriented

general

-

--inputDataFormat=<INPUTDATAFORMAT>

设定导出模型的输入format,只对四维输入有效。

NHWC、NCHW

NHWC

-

--decryptKey=<DECRYPTKEY>

设定用于加载密文MindIR时的密钥,密钥用十六进制表示,只对fmk为MINDIR时有效。

-

-

-

--decryptMode=<DECRYPTMODE>

设定加载密文MindIR的模式,只在指定了decryptKey时有效。

AES-GCM、AES-CBC

AES-GCM

-

--inputDataType=<INPUTDATATYPE>

设定量化模型输入tensor的data type。仅当模型输入tensor的量化参数(scale和zero point)齐备时有效。默认与原始模型输入tensor的data type保持一致。

FLOAT32、INT8、UINT8、DEFAULT

DEFAULT

-

--outputDataType=<OUTPUTDATATYPE>

设定量化模型输出tensor的data type。仅当模型输出tensor的量化参数(scale和zero point)齐备时有效。默认与原始模型输出tensor的data type保持一致。

FLOAT32、INT8、UINT8、DEFAULT

DEFAULT

-

--outputDataFormat=<OUTPUTDATAFORMAT>

设定导出模型的输出format,只对四维输出有效。

NHWC、NCHW

-

-

--encryptKey=<ENCRYPTKEY>

设定导出加密ms模型的密钥,密钥用十六进制表示。仅支持 AES-GCM,密钥长度仅支持16Byte。

-

-

-

--encryption=<ENCRYPTION>

设定导出ms模型时是否加密,导出加密可保护模型完整性,但会增加运行时初始化时间。

true、false

true

-

--infer=<INFER>

设定是否在转换完成时进行预推理。

true、false

false

-

  • 参数名和参数值之间用等号连接,中间不能有空格。

  • 由于支持转换PyTorch模型的编译选项默认关闭,因此下载的安装包不支持转换PyTorch模型。需要打开指定编译选项进行本地编译。转换PyTorch模型需满足以下前提:编译前需要export MSLITE_ENABLE_CONVERT_PYTORCH_MODEL = on。转换前加入libtorch的环境变量:export LD_LIBRARY_PATH="/home/user/libtorch/lib:${LD_LIBRARY_PATH}" && export LIB_TORCH_PATH="/home/user/libtorch"。用户可以下载CPU版本libtorch后解压到/home/user/libtorch的目录下。

  • Caffe模型一般分为两个文件:*.prototxt模型结构,对应--modelFile参数;*.caffemodel模型权值,对应--weightFile参数。

  • --fp16的优先级很低,比如如果开启了量化,那么对于已经量化的权重,--fp16不会再次生效。总而言之,该选项只会在序列化时对模型中的float32的权重生效。

  • inputDataFormat:一般在集成NCHW规格的三方硬件场景下(例如集成NNIE使用说明),设为NCHW比NHWC会有较明显的性能提升。在其他场景下,用户也可按需设置。

  • configFile配置文件采用key=value的方式定义相关参数,量化相关的配置参数详见训练后量化,扩展功能相关的配置参数详见扩展配置

  • --optimize该参数是用来设定在离线转换的过程中需要完成哪些特定的优化。如果该参数设置为none,那么在模型的离线转换阶段将不进行相关的图优化操作,相关的图优化操作将会在执行推理阶段完成。该参数的优点在于转换出来的模型由于没有经过特定的优化,可以直接部署到CPU/GPU/Ascend任意硬件后端;而带来的缺点是推理执行时模型的初始化时间增长。如果设置成general,表示离线转换过程会完成通用优化,包括常量折叠,算子融合等(转换出的模型只支持CPU/GPU后端,不支持Ascend后端)。如果设置成gpu_oriented,表示转换过程中会完成通用优化和针对GPU后端的额外优化(转换出来的模型只支持GPU后端)。如果设置成ascend_oriented,表示转换过程中只完成针对Ascend后端的优化(转换出来的模型只支持Ascend后端)。

  • 加解密功能仅在编译时设置为MSLITE_ENABLE_MODEL_ENCRYPTION=on时生效,并且仅支持Linux x86平台。其中密钥为十六进制表示的字符串,如密钥定义为b'0123456789ABCDEF'对应的十六进制表示为30313233343536373839414243444546,Linux平台用户可以使用xxd工具对字节表示的密钥进行十六进制表达转换。 需要注意的是,加解密算法在1.7版本进行了更新,导致新版的converter工具不支持对1.6及其之前版本的MindSpore加密导出的模型进行转换。

CPU模型编译优化

如果转换后的ms模型使用Android CPU后端进行推理,并且对模型编译阶段时延要求较高。可以尝试开启此优化,在configFile配置文件中增加配置项[cpu_option_cfg_param],得到编译更高效的模型。目前仅对模型中含有Matmul算子并且数据类型为float32或开启动态量化时有优化效果。

参数

属性

功能描述

取值范围

architecture

必选

目标架构,当前仅支持ARM64

ARM64

instruction

必选

目标指令集,当前仅支持SMID_DOT

SIMD_DOT

使用示例

下面选取了几个常用示例,说明转换命令的使用方法。

  • 以Caffe模型LeNet为例,执行转换命令。

    ./converter_lite --fmk=CAFFE --modelFile=lenet.prototxt --weightFile=lenet.caffemodel --outputFile=lenet
    

    本例中,因为采用了Caffe模型,所以需要模型结构、模型权值两个输入文件。再加上其他必需的fmk类型和输出路径两个参数,即可成功执行。

    结果显示为:

    CONVERT RESULT SUCCESS:0
    

    这表示已经成功将Caffe模型转化为MindSpore Lite模型,获得新文件lenet.ms

  • 以MindSpore、TensorFlow Lite、TensorFlow和ONNX模型为例,执行转换命令。

    • MindSpore模型model.mindir

      ./converter_lite --fmk=MINDIR --modelFile=model.mindir --outputFile=model
      

      通过MindSpore v1.1.1之前版本导出的MindIR模型,建议采用对应版本的转换工具转换成ms模型。MindSpore v1.1.1及其之后的版本,转换工具会做前向兼容。

    • TensorFlow Lite模型model.tflite

      ./converter_lite --fmk=TFLITE --modelFile=model.tflite --outputFile=model
      
    • TensorFlow模型model.pb

      ./converter_lite --fmk=TF --modelFile=model.pb --outputFile=model
      
    • ONNX模型model.onnx

      ./converter_lite --fmk=ONNX --modelFile=model.onnx --outputFile=model
      
    • PyTorch模型model.pt

      export LD_LIBRARY_PATH="/home/user/libtorch/lib:${LD_LIBRARY_PATH}"
      export LIB_TORCH_PATH="/home/user/libtorch"
      ./converter_lite --fmk=PYTORCH --modelFile=model.pt --outputFile=model
      
    • PyTorch模型model.pth

      export LD_LIBRARY_PATH="/home/user/libtorch/lib:${LD_LIBRARY_PATH}"
      export LIB_TORCH_PATH="/home/user/libtorch"
      ./converter_lite --fmk=PYTORCH --modelFile=model.pth --outputFile=model
      

      为了转换PyTorch模型,以下前提必须满足:编译前需要export MSLITE_ENABLE_CONVERT_PYTORCH_MODEL = on。转换前加入libtorch的环境变量。用户可以下载CPU版本libtorch后解压到/home/user/libtorch路径。

    以上几种情况下,均显示如下转换成功提示,且同时获得model.ms目标文件。

    CONVERT RESULT SUCCESS:0
    

Windows环境使用说明

环境准备

使用MindSpore Lite模型转换工具,需要进行如下环境准备工作。

  • 编译下载模型转换工具。

  • 将转换工具需要的动态链接库加入环境变量PATH。

    set PATH=%PACKAGE_ROOT_PATH%\tools\converter\lib;%PATH%
    

    ${PACKAGE_ROOT_PATH}是编译或下载得到的包解压后的路径。

目录结构

mindspore-lite-{version}-win-x64
└── tools
    └── converter # 模型转换工具
        ├── converter
        │   └── converter_lite.exe    # 可执行程序
        └── lib
            ├── libgcc_s_seh-1.dll    # MinGW动态库
            ├── libmindspore_glog.dll            # Glog的动态库
            ├── libmslite_converter_plugin.dll   # 注册插件的动态库
            ├── libmslite_converter_plugin.dll.a # 注册插件的动态库的链接文件
            ├── libssp-0.dll          # MinGW动态库
            ├── libstdc++-6.dll       # MinGW动态库
            └── libwinpthread-1.dll   # MinGW动态库

参数说明

参考Linux环境模型转换工具的参数说明

使用示例

设置日志打印级别为INFO。

set GLOG_v=1

日志级别:0代表DEBUG,1代表INFO,2代表WARNING,3代表ERROR。

下面选取了几个常用示例,说明转换命令的使用方法。

  • 以Caffe模型LeNet为例,执行转换命令。

    call converter_lite --fmk=CAFFE --modelFile=lenet.prototxt --weightFile=lenet.caffemodel --outputFile=lenet
    

    本例中,因为采用了Caffe模型,所以需要模型结构、模型权值两个输入文件。再加上其他必需的fmk类型和输出路径两个参数,即可成功执行。

    结果显示为:

    CONVERT RESULT SUCCESS:0
    

    这表示已经成功将Caffe模型转化为MindSpore Lite模型,获得新文件lenet.ms

  • 以MindSpore、TensorFlow Lite、ONNX模型格式和感知量化模型为例,执行转换命令。

    • MindSpore模型model.mindir

      call converter_lite --fmk=MINDIR --modelFile=model.mindir --outputFile=model
      

      通过MindSpore v1.1.1之前版本导出的MindIR模型,建议采用对应版本的转换工具转换成ms模型。MindSpore v1.1.1及其之后的版本,转换工具会做前向兼容。

    • TensorFlow Lite模型model.tflite

      call converter_lite --fmk=TFLITE --modelFile=model.tflite --outputFile=model
      
    • TensorFlow模型model.pb

      call converter_lite --fmk=TF --modelFile=model.pb --outputFile=model
      
    • ONNX模型model.onnx

      call converter_lite --fmk=ONNX --modelFile=model.onnx --outputFile=model
      

    以上几种情况下,均显示如下转换成功提示,且同时获得model.ms目标文件。

    CONVERT RESULT SUCCESS:0