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。
使用MindSpore Lite模型转换工具,需要进行如下环境准备工作。
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。
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
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 |
否 | 打印全部帮助信息。 | - | - | - |
--fmk=<FMK> |
是 | 输入模型的原始格式。 | MINDIR、CAFFE、TFLITE、TF、ONNX、PYTORCH | - | - |
--modelFile=<MODELFILE> |
是 | 输入模型的路径。 | - | - | - |
--outputFile=<OUTPUTFILE> |
是 | 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> |
否 | 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> |
否 | 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> |
否 | 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> |
否 | 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> |
否 | 设定转换模型的过程所完成的优化。 | none、general、ascend_oriented | general | - |
--inputDataFormat=<INPUTDATAFORMAT> |
否 | 设定导出模型的输入format,只对四维输入有效。 | NHWC、NCHW | NHWC | - |
--decryptKey=<DECRYPTKEY> |
否 | 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> |
否 | 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> |
否 | 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> |
否 | 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 | - |
--encryptKey=<ENCRYPTKEY> |
否 | 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> |
否 | 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> |
否 | 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。
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 |
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
训练后量化示例请参考https://www.mindspore.cn/lite/docs/zh-CN/r2.0/use/post_training_quantization.html。
使用MindSpore Lite模型转换工具,需要进行如下环境准备工作。
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。
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
参考Linux环境模型转换工具的参数说明。
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
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。