使用 ONNX 实现框架互操作性

尽管 PyTorch 的 state_dict 和 TorchScript 为在 PyTorch 生态系统内保存和部署模型提供了很好的机制，但有时你需要模型能在不同的机器学习框架中运行。也许你的团队使用 TensorFlow 进行部署，或者你希望使用对通用模型格式有优化支持的特定硬件加速器。在这种情况下，开放神经网络交换 (ONNX) 格式就变得非常有用了。

ONNX 是一个用于表示机器学习模型的开放标准。它定义了一组通用的运算符（模型的基本组成部分，如卷积或矩阵乘法）和一种通用文件格式（.onnx）。目标是实现互操作性：你可以在一个框架中训练模型（如 PyTorch），将其导出为 ONNX 格式，然后在另一个框架（如 TensorFlow、Caffe2、MXNet）或专用的 ONNX 运行时中加载并运行它。

为什么需要 ONNX？

对于熟悉 TensorFlow 生态系统的开发者来说，该生态系统包括用于部署的 SavedModel 和用于移动设备的 TensorFlow Lite，ONNX 可能看起来是多余的一步。然而，它提供了多个优点：

1. 框架灵活性：你不会被锁定在单一框架中。你可以借助 PyTorch 的动态性和对 Python 的友好性进行研究和开发，然后通过 ONNX 导出模型，以便在可能针对其他工具进行优化或标准化的环境中部署。
2. 硬件加速：许多硬件供应商和芯片制造商为 ONNX 模型提供优化的运行时或编译器。导出到 ONNX 可以提升在特定 CPU、GPU 或专用 AI 加速器上的性能。
3. 模型共享与协作：如果你与使用不同机器学习框架的团队或个人合作，ONNX 提供了一种中立的中间表示形式，用于共享模型。
4. 使用更广泛的生态系统：ONNX 生态系统包含多种用于模型可视化、优化和转换的工具。

可以把 ONNX 看作你的神经网络模型的通用翻译器。

ONNX 工作流程：一个 PyTorch 模型被导出到 ONNX 格式，然后可以被各种运行时和工具使用，包括 TensorFlow 生态系统中的工具。

将 PyTorch 模型导出到 ONNX

PyTorch 使用 torch.onnx.export() 函数内置支持将模型导出到 ONNX 格式。此函数会跟踪你的模型，将其操作转换为 ONNX 图。

让我们看一下 torch.onnx.export() 的常见参数：

• model：你的 PyTorch 模型（torch.nn.Module 的实例）。
• args：模型期望的示例输入元组。此输入用于跟踪模型的执行路径。此示例输入的形状和数据类型很重要。
• f：ONNX 模型将要保存的路径（例如，"my_model.onnx"）。
• input_names：（可选）为 ONNX 图中的输入节点指定的名称列表。
• output_names：（可选）为 ONNX 图中的输出节点指定的名称列表。 "* dynamic_axes：（可选）一个字典，指定输入/输出的哪些轴是动态的（例如，批大小、序列长度）。这对模型非常有用。例如，{'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}} 表示 'input' 和 'output' 的第一个维度是动态的，并命名为 'batch_size'。"
• opset_version：要使用的 ONNX 运算符集版本。ONNX 在发展，新版本增加了对更多运算符的支持。通常最好使用目标部署环境支持的、相对较新的版本。

这是一个导出基本 PyTorch 模型的简单例子：

import torch
import torch.nn as nn
import torch.onnx

# 定义一个简单模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.linear = nn.Linear(10, 5) # 输入特征数：10，输出特征数：5

    def forward(self, x):
        return self.linear(x)

# 实例化模型
model = SimpleModel()
model.eval() # 将模型设置为评估模式

# 创建与模型预期输入形状匹配的虚拟输入
# 批大小为 1，10 个输入特征
dummy_input = torch.randn(1, 10)

# 为 ONNX 模型中的输入和输出定义名称，以提高清晰度
input_names = ["input_tensor"]
output_names = ["output_tensor"]

# 导出模型
torch.onnx.export(model,
                  dummy_input,
                  "simple_model.onnx",
                  input_names=input_names,
                  output_names=output_names,
                  opset_version=12, # 指定 ONNX opset 版本
                  dynamic_axes={'input_tensor': {0: 'batch_size'}, # 批大小是动态的
                                'output_tensor': {0: 'batch_size'}}})

print("模型已导出到 simple_model.onnx")

当你运行此代码时，PyTorch 会使用 dummy_input 执行你的 SimpleModel，记录操作，并将其转换为 ONNX 格式，将结果保存为 simple_model.onnx。dynamic_axes 参数特别重要。没有它，导出的 ONNX 模型将期望固定批大小（本例中为 1）的输入。通过指定 dynamic_axes，我们告诉 ONNX 导出器批处理维度可以变化。

使用 ONNX 模型

一旦你有了 .onnx 文件，就需要一个运行时来执行它。最常见的是 ONNX Runtime，它是一个用于 ONNX 模型的开源、高性能推理引擎。它是跨平台的，并支持硬件加速。

你可以通过 pip 安装 ONNX Runtime： pip install onnxruntime

下面是如何加载并运行我们刚刚创建的 simple_model.onnx：

import onnxruntime
import numpy as np

# 创建一个 ONNX Runtime 推理会话
ort_session = onnxruntime.InferenceSession("simple_model.onnx")

# 准备一个示例输入（必须与模型的预期输入匹配，包括批大小）
# 在此次推理运行中使用批大小为 3
input_data = np.random.randn(3, 10).astype(np.float32)

# 从模型获取输入名称（或使用我们在导出时定义的名称）
input_name = ort_session.get_inputs()[0].name

# 运行推理
ort_inputs = {input_name: input_data}
ort_outs = ort_session.run(None, ort_inputs)

# 输出是一个 numpy 数组列表
output_data = ort_outs[0]
print("输入形状:", input_data.shape)
print("输出形状:", output_data.shape)
print("输出数据（第一行）:", output_data[0])

此代码片段加载 ONNX 模型，准备一个 NumPy 输入数组，并使用 ONNX Runtime 执行推理。你会注意到我们可以使用与导出时 dummy_input （1）不同的批大小（3），这得益于 dynamic_axes。

与 TensorFlow 的互操作性

作为一名 TensorFlow 开发者，你可能会想 ONNX 如何适应你现有的工作流程。如果你收到一个 ONNX 模型（可能从 PyTorch 导出），你可以将其转换为 TensorFlow 格式（如 SavedModel），以便将其集成到基于 TensorFlow 的部署流程中（例如 TensorFlow Serving）。

onnx-tf 转换器是一个常用的工具： pip install onnx-tf

然后你可以使用它将 .onnx 文件转换为 TensorFlow SavedModel：

# 假设 onnx_tf 已安装
from onnx_tf.backend import prepare
import onnx

# 加载 ONNX 模型
onnx_model = onnx.load("simple_model.onnx")

# 准备 TensorFlow 表示
tf_rep = prepare(onnx_model)

# 导出为 TensorFlow SavedModel
tf_rep.export_graph("simple_model_tf_savedmodel")
print("ONNX 模型已转换为 TensorFlow SavedModel 格式，位于 'simple_model_tf_savedmodel'")

这会创建一个标准的 TensorFlow SavedModel 目录，然后可以使用 tf.saved_model.load() 加载或通过 TensorFlow Serving 部署。

反之，如果你有 TensorFlow 模型，可以使用 tf2onnx 等工具将其转换为 ONNX（pip install tf2onnx）。这使得你可以将 TensorFlow 模型引入 ONNX 生态系统，可能供 PyTorch 或其他 ONNX 兼容工具使用，尽管本课程侧重于从 PyTorch 到 TensorFlow 的方向。

注意事项与推荐做法

尽管 ONNX 很强大，但请记住以下几点：

1. 运算符支持：大多数常见的神经网络操作都有良好支持。然而，高度自定义或非常新的 PyTorch 操作在所选 ONNX opset_version 中可能没有直接的等效项。你可能需要简化模型或实现自定义 ONNX 运算符（这是一个高级话题）。请务必查看 ONNX 文档以了解支持的运算符。
2. 版本兼容性：确保 PyTorch、ONNX、你选择的 ONNX opset_version、ONNX Runtime 版本以及任何转换工具（如 onnx-tf）之间的兼容性。不匹配可能导致错误或意想不到的行为。
3. 全面测试：将模型导出到 ONNX 并可能转换为另一种格式后，务必将其预测结果与原始 PyTorch 模型进行严格对比测试。检查是否存在数值差异和性能问题。
4. 模型追踪：torch.onnx.export 函数通过使用样本输入追踪模型来工作。如果你的模型具有基于输入数据变化的控制流（这对于旨在导出到 ONNX 的模型来说不太常见，但在 PyTorch 中可能出现），追踪可能无法捕捉到所有执行路径。前面讨论的 TorchScript，有时对于具有复杂控制流的模型，在导出到 ONNX 之前会更稳定。
5. 输入/输出命名：在导出期间使用 input_names 和 output_names 会使 ONNX 模型在后续使用时更方便，尤其是在使用 ONNX Runtime 或转换工具时。

ONNX 在不同机器学习框架之间搭建了一个重要桥梁。对于学习 PyTorch 的 TensorFlow 开发者来说，理解如何将 PyTorch 模型导出到 ONNX，为将这些模型集成到现有的以 TensorFlow 为中心的部署流程中，或运用更广泛的 ONNX 生态系统进行优化和执行提供了机会。