共计 12471 个字符，预计需要花费 32 分钟才能阅读完成。
摘要：本系列文章旨在分享 tensorflow->onnx->Caffe->wk 模型转换流程，次要针对的是 HI3516CV500，Hi3519AV100 反对 NNIE 推理框架的海思芯片的算法工程落地。
本文分享自华为云社区《将模型转为 NNIE 框架反对的 wk 模型——以 tensorflow 框架为例（一）》，原文作者：wwwyx_^▽^。
应用过 NNIE 框架的同学都晓得，NNIE 框架只反对 wk 模型的推理。
理论应用过程中用海思提供的转换软件工具 RuyiStudio 将 caffe 1.0 模型转为 wk。个别状况下如果购买了芯片，海思将会间接将相干的 SDK 包发送给客户，如果没有的话，大家能够从这个链接获取：RuyiStudio
从下面可知，最终须要将别的框架模型转为 caffe 才能够应用 RuyiStudio，目前支流框架蕴含 pytorch、tensorflow、mxnet 等，对于 pytorch 转 caffe 之前曾经有大佬写过了 pytorch->caffe，有须要的同学能够去看下。本文次要讲述 tensorflow 框架转为 caffe 可能会遇到的问题以及解决办法。mxnet 有间接的接口能够转 onnx，也能够参考这篇文章做 caffe 转换。
上面进入正题。
tensorflow->caffe
这个真的是个大坑（哭泣），这里我应用了两头模型 onnx，即最终胜利转换的门路是 pb->onnx->caffe->wk，上面就说一下具体的操作吧~
第一步：tensorflow->onnx
这一步是最简略的一步 = =，目前转了一些模型还没有在这里遇到坑。
应用 github 上的开源我的项目：tensorflow->onnx，间接应用 pip install 装置后应用。
关注一下都有哪些参数，每个参数的作用，次要是输出、输入、推理应用 nchw 还是 nhwc（caffe 框架为 nchw，所以这里都应用 nchw）、opset(默认应用 9)，很多的参数我没有应用到，大家有疑难能够间接去 issues 下面看下哈。
上面给出一个转换命令供大家参考下：
python -m tf2onnx.convert --input ./model.pb --inputs input_image:0[1,112,112,3] --inputs-as-nchw input_image:0 --outputs output_0:0,output_1:0,output_2:0,output_3:0,output_4:0 --output ./convert.onnx失去 onnx 模型之后，能够应用 onnx simplifer 将一些零散算子合并，或者将一些冗余算子去除，这个工具视状况应用。
python -m onnxsim input_onnx_model output_onnx_model转换为 onnx 之后，须要验证输入的后果是否与 pb 统一，统一后再走前面的流程！！
第二步：onnx->caffe
这里曾经失去了 onnx 模型，然而间隔胜利还有 99% 的路要走！！
这一大节 Baseline：onnx2caffe
环境: caffe 1.0 + onnx 1.8.0
次要性能代码：
onnx2caffe
+-- onnx2caffe
| +-- _operators.py
| +-- _weightloader.py
+-- convertCaffe.py
+-- MyCaffe.py运行命令：
python convertCaffe.py ./model/MobileNetV2.onnx ./model/MobileNetV2.prototxt ./model/MobileNetV2.caffemodel在转换过程中如果遇到了问题，能够从上面几个方面来适配，
（1）遇到 caffe 与 NNIE 不反对的算子，能够批改 onnx 模型中的 node 以适配 caffe（这里要动员本人的小脑筋，一些算子替换能够参考一下 pytorch->caffe 这篇博客）。
（2）如果遇到了 NNIE 与 onnx 反对的算子，然而 caffe 1.0 官网不反对的话，能够在 caffe 中增加新的层，从新编译之后，再做转换。caffe 中增加新的层能够参考：caffe 增加新 node
（3）caffe 与 NNIE 都反对的算子，然而转换工具没有反对该算子的转换，在转换代码中增加相应的算子实现。
（4）转换过程中算子转换胜利，然而呈现了 shape 问题，手动增加一些不须要参数的操作在曾经生成的 prototxt 中。
针对下面的每个办法给出对应的解决形式。
批改 onnx 模型中的 node 以适配 caffe
改写 onnx 模型，首先须要理解一下 onnx 都反对哪些算子。
onnx 反对的 op：onnx op
更换模型中的操作时，查看该 node 的输入输出模式，依照格局对模型进行改写。onnx 模型改写波及多种状况，上面介绍几种罕用的办法。
1. 对于 node 的改写有时须要已知其输入输出 size, 故一开始先筹备一个蕴含每个 node 输入输出的 onnx 模型。
import onnx.helper as helper
from onnx import shape_inference, TensorProto
import onnxruntime
import onnx
def add_input_output_from_onnx(onnx_path, save_path):
ONNX_DTYPE = {
0: TensorProto.FLOAT,
1: TensorProto.FLOAT,
2: TensorProto.UINT8,
3: TensorProto.INT8,
4: TensorProto.UINT16,
5: TensorProto.INT16,
6: TensorProto.INT32,
7: TensorProto.INT64,
8: TensorProto.STRING,
9: TensorProto.BOOL
}
# load model
onnx_model = onnx.load(onnx_path)
graph = onnx_model.graph
# rewrite the input tensor of graph
input_tensor = graph.input[0]
input_shape = input_tensor.type.tensor_type.shape.dim
input_tensor_new = onnx.helper.make_tensor_value_info(name = input_tensor.name, elem_type = 1,
shape = [1, input_shape[1].dim_value, input_shape[2].dim_value, input_shape[3].dim_value])
graph.input.remove(input_tensor)
graph.input.insert(0, input_tensor_new)
# append all tensor infos to graph input
weight_infos = []
tensors = graph.initializer
for i, tensor in enumerate(tensors):
value_info = helper.make_tensor_value_info(tensor.name, ONNX_DTYPE[tensor.data_type], tensor.dims)
weight_infos.append(value_info)
graph.input.insert(i+1, value_info) # because 0 is for placeholder, so start index is 1
# run node shape inference
node = graph.node
value_info = graph.value_info
inferred_onnx_model = shape_inference.infer_shapes(onnx_model)
onnx.checker.check_model(onnx_model)
inferred_graph = inferred_onnx_model.graph
inferred_value_info = inferred_graph.value_info
onnx.save(inferred_onnx_model,save_path)
return应用 netron 关上 onnx 模型，查看增加 size 之后的变动：
2. 遇到 caffe 与 NNIE 不反对的算子，删除 onnx 模型中的 node，将相干操作在内部的预处理阶段进行。这种状况只波及 onnx 模型中曾经存在的节点删除与扭转已有边连贯的关系，不波及新的边关系的建设。
` 这里应用 graph 中 node 的 index 来拜访 node
该代码删除 graph node 0,1,2
并且批改 node 3 的 input 边
即 input_image --> mul_1 --> sub --> mul --> conv1
变为 input_image --> conv1
`
def delete_node(onnx_path, save_path):
onnx_model = onnx.load(onnx_path)
graph = onnx_model.graph
Mul_1 = graph.node[0]
sub = graph.node[1]
mul = graph.node[2]
conv1 = graph.node[3]
conv1.input[0] = Mul_1.input[0]
graph.node.remove(Mul_1)
graph.node.remove(sub)
graph.node.remove(mul)
onnx.checker.check_model(onnx_model)
onnx.save(onnx_model, save_path)3. 更改 caffe 与 NNIE 不反对的算子，批改 onnx 模型中的 node 去适配。如 squeeze 算子，squeeze 算子在 onnx->caffe 的时候会报错，这时能够将 onnx 模型中的 squeeze 替换为 reshape 算子。reshape 须要两个输出，而 squeeze 只对应一个输出，这时须要在 graph 中创立一个新的常数 tensor input。这种状况波及更换曾经存在的 node，新的常数 tensor 的退出，但并不波及新的边关系的建设。
` 查看 onnx op 的操作，reshape 须要两个输出
对于 reshape 须要将一个 shape tensor 退出到 onnx graph 中，tensor size 能够查看第一步生成的 onnx model 中该 squeeze node 对应的 output size
即 input --> squeeze --> output
变为 input --> reshape(shape) --> output`
def remove_headpose_squeeze_node(onnx_path, save_path):
onnx_model = onnx.load(onnx_path)
graph = onnx_model.graph
## 增加常数 input
shape = onnx.helper.make_tensor('shape', onnx.TensorProto.INT64, [2], [1,3])
graph.initializer.append(shape)
for i in range(len(graph.node)):
if graph.node[i].op_type == "Squeeze":
reshape_node_def = helper.make_node(
'Reshape', # node name
inputs=[graph.node[i].input[0], 'shape'], # inputs
outputs=[graph.node[i].output[0]], # outputs
name = graph.node[i].name
)
graph.node.remove(graph.node[i])
graph.node.insert(i, reshape_node_def)
onnx.checker.check_model(onnx_model)
onnx.save(onnx_model, save_path)4.caffe 不反对 div 算子，能够将 div 算子转为 pow+mul。这种状况波及将一个 node 更换为两个，新的常数 tensor 的退出，以及新的边连贯关系。
div 操作：z = x / y
更换为 pow + mul, pow 为幂操作，mul 为乘法操作：
temp = pow(y, -1)
z = temp * x
`
即：input_x input_y
\\ //
\\ //
div
更改为：input_x input_y
\\ //
\\ //
\\ pow（常数 tensor 作为指数输出）\\ //
\\ // -->（新的边）mul
`
def change_headpose_div_node(onnx_path, save_path):
onnx_model = onnx.load(onnx_path)
graph = onnx_model.graph
pow_scale = onnx.helper.make_tensor('pow_scale', onnx.TensorProto.FLOAT, [3], [-1.0, -1.0, -1.0])
mul12_output = helper.make_tensor_value_info('pred_pose/mul_12_pow_output:0', onnx.TensorProto.FLOAT, [1, 3])
graph.initializer.append(pow_scale)
# 'pred_pose/mul_12:0' 相似于上图中的 input_y
# pow_scale 为下面创立的相应的指数 tensor
# 'pred_pose/mul_12_pow_output:0' 为新建的 output tensor
# pow name 给一个不与图中 node 反复的 name
mul12_pow_node_def = helper.make_node(
'Pow', # node name
inputs=['pred_pose/mul_12:0', 'pow_scale'], # inputs
outputs=['pred_pose/mul_12_pow_output:0'], # outputs
name = 'pred_pose/mul_12_pow'
)
graph.node.insert(len(graph.node), mul12_pow_node_def)
for i in range(len(graph.node)):
if graph.node[i].name == "pred_pose/truediv_3":
input1 = graph.node[i].input[0]
input2 = graph.node[i].input[1]
output = graph.node[i].output[0]
name = graph.node[i].name
pow_node_def = helper.make_node(
'Mul', # node name
inputs=[input1, mul12_pow_node_def.output[0]], # inputs
outputs=[output], # outputs
name = name
)
print(graph.node[i].name, i)
graph.node.remove(graph.node[i])
graph.node.insert(i, pow_node_def)
break
graph = helper.make_graph(graph.node, graph.name, graph.input, graph.output, graph.initializer)
info_model = helper.make_model(graph)
model = onnx.shape_inference.infer_shapes(info_model)
onnx.save(model, save_path)通过这个批改之后，应用 netron 查看 node 边关系，看是否正确。
5. 打印 onnx 两头某个节点的输入，须要在 graph 加一个 output tensor。
def add_outputNode_info(onnx_path, add_name, output_size, save_path):
onnx_model = onnx.load(onnx_path)
graph = onnx_model.graph
prob_info = helper.make_tensor_value_info(add_name,onnx.TensorProto.FLOAT, output_size)
graph.output.insert(0, prob_info)
onnx.save(onnx_model, save_path)
return
if __name__ == '__main__':
onnx_model = './model.onnx'
add_node_path = "./addPreprocessOutput.onnx"
# "mul:0": 想要输入 node 的 output name
# [1,24,14,14]: 想要输入 node 的 output size
add_outputNode_info(onnx_model, "mul:0", [1,24,14,14], add_node_path)下面的例子曾经将大部分 node 批改的状况涵盖了，批改 onnx 模型能够参考上述代码。
小 tips：Reshape 大法好，各种跟维度有关系的都能够用 reshape 来代替，除此之外，transpose 也是网红 node，具体问题具体分析~
在转换代码中增加相应的算子实现
在 caffe 中增加新的层没什么好说的，依照下面给的链接来就能够，这里次要介绍下如何批改转换代码去适配某个模型转换。通过下面批改 onnx 模型这一步，咱们曾经将 onnx 模型中的 node 全副换为 caffe 与 NNIE 反对的算子了，但这时 onnx2caffe 可能还会呈现问题，上面会从不同的状况做 onnx2caffe 代码适配来逐渐实现模型转换。
1.caffe 和 NNIE 都反对某个操作，然而 onnx2caffe 模型转换时报错。
如：TanH 操作，从源码 /caffe/src/caffe/layers/ 中看到有 tanh 层的实现，NNIE 也反对该操作，然而转换报错。查看 onnx2caffe 源码发现没有 TanH 的转换实现，这时须要咱们增加相应的转换代码，次要批改_operators.py、_weightloader.py 两个文件，上面以 TanH 为例解说一下怎么减少转换 node。
_operators.py 文件用来实现 onnx 操作到 Caffe 操作的变换。对于 TanH 的适配，首先须要在文件的最初注册算子模块增加 TanH，而后减少转换代码。
` 转换代码：`
def _convert_tanH(node,graph,err):
input_name = str(node.inputs[0])
output_name = str(node.outputs[0])
name = str(node.name)
layer = myf("TanH",name,[input_name],[output_name])
graph.channel_dims[output_name] = graph.channel_dims[input_name]
return layer
` 增加注册算子：`
_ONNX_NODE_REGISTRY = {
……
"Tanh": _convert_tanH,
}_weightloader.py 文件用来实现 node 参数从 onnx 到 Caffe 的传递。第一步也是在文件开端增加注册算子，增加同_operators.py。第二步，从 caffe.proto 中查看 tanh 操作是否存在 weight：
message TanHParameter {
enum Engine {
DEFAULT = 0;
CAFFE = 1;
CUDNN = 2;
}
optional Engine engine = 1 [default = DEFAULT];
}因为 tanh 操作不存在 weight，所以 onnx 到 caffe 的参数传递为空：
def _convert_tanH(net, node, graph, err):
pass至此，在 onnx2caffe 中增加 tanh 操作就实现了，具体工程就蕴含批改下面两个文件夹，次要是注册算子、操作转换的实现、weight 值传递。
2.caffe 和 NNIE 都反对某个操作，onnx2caffe 也反对该操作，然而操作中有一个输出在模型中被写为 weight，与原来的实现不统一。
如：mul 算子，一般的 mul 算子个别都蕴含两个输出，模型中可能会存在 mul 算子只有一个输出，另一个输出作为 weight 参数，如下所示：
这种状况下，因为曾经存在了 mul 的注册算子，咱们只须要在 mul 算子转换的时候新加一个分支来实现就能够了，还是只波及两个文件的改写。
_operators.py 增加分支代码
def _convert_input1_is_weight_mul(node,graph,max_dim, err):
node_name = node.name
` 这里的 input_name 须要在 netron 视图中察看一下是哪一个 input 作为内部输出，这里不能写 weight 的输出名称！`
input_name = str(node.inputs[0])
output_name = str(node.outputs[0])
scale_layer = myf("Scale", node_name, [input_name],[output_name],in_place=False,bias_term=False)
graph.channel_dims[output_name] = max_dim
return scale_layer
def _convert_Mul(node,graph,err):
input_name_list = [str(i) for i in node.inputs]
output_name = str(node.outputs[0])
node_name = node.name
` 这里应用 node_name 判断 mul 算子是否是一个 input，新增只有一个 input 的分支 `
if node_name == "mul_1":
max_dim = 16
return _convert_input1_is_weight_mul(node,graph,max_dim, err)
···
···_weightloader.py 也不须要从新注册，间接增加分支代码
def _convert_input1_is_weight_mul(net, node, graph, err):
node_name = node.name
` 留神！！scale = np.ones(3) * 3.0
对应的是 内部输出 size =（1,3），weight size = (1),
这种状况能够借助 numpy 实现 weight 与内部输出的 channel 对齐
这里还有另外一种状况，例如 内部输出 size = (1,128,8,8), weight = (1,128,1,1)
能够这样操作：scale = node.input_tensors[node.inputs[1]]
scale = np.reshape(scale, scale.shape[1])
`
scale = np.ones(3) * 3.0
np.copyto(net.params[node_name][0].data, scale, casting='same_kind')
`mul 自身是没有 weight 的，所以之前就是间接 pass`
def _convert_Mul(net, node, graph, err):
node_name = node.name
if node_name == "mul_1":
_convert_input1_is_weight_mul(net, node, graph, err)
else：pass理论转换过程中，add 算子也会呈现下面的状况，其中有一个输出作为算子参数，这时能够把其类比到 _convert_BatchNorm 中的 scale 操作，将 scale 的 weight 视为 1，bias 为 add 算子的外部输出参数，能够参照 BatchNorm 批改代码，这里就不具体写了。
转换过程中算子转换胜利，然而呈现了 shape 问题, 手动批改 prototxt
下面介绍的是算子的适配，但有时通过 onnx2caffe 转换代码之后，曾经生成了 prototxt 文件，最终报错 feature map 的 shape 不匹配，因为 onnx2caffe 工具在转换的时候就打印出了每一层的 output，通过与 netron 视图比照，定位第一个呈现问题的 node。
知己知彼方能屡战屡败，为了定位 shape 为什么不统一，咱们先要理解一下不同框架的 padding 策略以及相应的 output size 的计算方法。
- 查看 caffe 的 output size 计算形式，依据代码可得:
output_size=floor((w+2*pad-(d(k-1)+1))/s)+1
template <typename Dtype>
void ConvolutionLayer<Dtype>::compute_output_shape() {const int* kernel_shape_data = this->kernel_shape_.cpu_data();
const int* stride_data = this->stride_.cpu_data();
const int* pad_data = this->pad_.cpu_data();
const int* dilation_data = this->dilation_.cpu_data();
this->output_shape_.clear();
for (int i = 0; i < this->num_spatial_axes_; ++i) {
// i + 1 to skip channel axis
const int input_dim = this->input_shape(i + 1);
const int kernel_extent = dilation_data[i] * (kernel_shape_data[i] - 1) + 1;
const int output_dim = (input_dim + 2 * pad_data[i] - kernel_extent)/ stride_data[i] + 1;
this->output_shape_.push_back(output_dim);
}
}- tensorflow 的 padding 策略可依据这篇博客, 联合下面 caffe 的 output size 计算，感觉 caffe 的 conv padding 策略与 tensorflow pad=VALID 统一，会把不能参加的 pixel 主动去除不进行计算。
好了，理解了不同框架的 padding 策略以及 output size 的计算形式之后，咱们来剖析咱们的模型，模型转换是这样的：
剖析下面模型转换的表格参数：
- tensorflow pad=SAME，为了使所有的 input pixel 都参加计算，tensorflow 在推理时偷偷在 input 的右下补了一行 0，这样最初的输入：
output size = (112 – (1 * (3 – 1) + 1) + 1) / 2 + 1 = 56
其中 (112 – (1 * (3 – 1) + 1) + 1) 斜体 1 示意偷偷补的 0。 - 对于 onnx，通过查问与试验，发现 pads 参数 [0,0,1,1] 示意 feature map 下面不补，右边不补，上面补一行 0，左边补一列，与 tf 统一，输入没有什么问题。
- 转为 caffe 之后，caffe 模型 conv pad 参数都为 0，上下左右都不补，这时依据 caffe 的 outputshape 公式，最终计算结果为（1,3,55,55），间接去除 input 的最初一行和最初一列不参加计算。
为了使输入 shape 统一，并且计算结果雷同，我采纳了上面的解决办法。
caffe 中设置 pad_h:2, pad_w:2。因为 caffe 是设置 pad 参数之后是对称补 0 的，即 input 的上下左右都补了两行或者两列 0，这时联合 output_shape 公式，最终输入的 shape 为：
output_shape = floor((112 + 2 2 – (1 (3 – 1) + 1) + 1) / 2) + 1 = 57
思考一下 conv 原理，就晓得此时 caffe 失去的 feature map 只是比 tf 的多了最下面一行和最右边一列。略微解释一下，尽管 caffe 设置 pad=2，然而依据 caffe 的 conv 实现，会将右下比 tf 多补的那一行和那一列主动去除，不参加运算。这时 feature map 输入为(1,3,57,57), 为了失去正确后果，在 prototxt 文件的 conv 算子之后增加两个 slice 操作，去除最下面一行与最右边一列。
layer {
name: "add_slice1"
type: "Slice"
bottom: "depthwise:0"
top: "add_slice1/split:0"
top: "add_slice1/split:1"
slice_param {
axis: 2
slice_point: 1
}
}
layer {
name: "add_slice2"
type: "Slice"
bottom: "add_slice1/split:1"
top: "add_slice2/split:0"
top: "add_slice2/split:1"
slice_param {
axis: 3
slice_point: 1
}
}下面就是针对 caffe 模型的适配，货色很多很杂，有时候须要一些离奇的思路能力解决问题，当然还波及一些 prototxt 文件中算子 param 的批改，具体问题具体分析，这里就不开展讲了。
第三步：验证
将失去的 caffe 模型的输入后果与 pb 的输入后果进行比照，个别状况下应该是截然不同的，如果不一样次要关注一下 输出预处理，输入预处理，被批改的 node 之前的那个 node 的输入是不是 OK（次要是定位是不是本人改的 node 的问题），切忌心浮气躁，把握办法。每进行一次魔改都做一次推理，这样比拟好定位。
总结
对于 tf 转 caffe 的确有一些麻烦，下面可能也只是列了万分之一的问题吧，不过心愿能够帮忙到大家。大家针对这方面什么好的想法心愿能够多交换奥~
针对 onnx 模型的魔改可能是多余的，应该将相干的转换形式间接写进 onnx2caffe 的转换工具中会更加好，然而之前想着批改 onnx 会更简略些，之后心愿能够有工夫把转换工具批改的更通用一些
强烈要求算法同学训练模型之前先看下 NNIE 框架反对的算子类型！！具体参考《HiSVP 开发指南》5.3.2 节反对的算子类型以及 3.1.6.2 每个算子反对的规格，防止模型转换不过来又要返工！！
点击关注，第一工夫理解华为云陈腐技术~
