从 .pt 模型转换为 .h5 模型

Question

我正在使用 Google colab。我想将 .pt 模型从我的谷歌驱动器转换为 .h5 模型。我按照链接https://github.com/gmalivenko/pytorch2keras 和https://www.programmersought.com/article/57938937172/ 安装库并编写代码如下：

%pip install pytorch2keras
%pip install onnx==1.8.1

import numpy as np
from numpy import random
from random import uniform
import torch
from torch.autograd import Variable
input_np = np.random.uniform(0, 1, (1, 10, 32, 32))
input_var = Variable(torch.FloatTensor(input_np))
model='/content/gdrive/MyDrive/model.pt'
pytorch_to_keras(model,input_var,input_shapes= [(10, 32, 32,)], verbose=True)

但它给了我这样的错误：

WARNING:pytorch2keras:Custom shapes isn't supported now.
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-53-eef217a11c8a> in <module>()
      8 input_var = Variable(torch.FloatTensor(input_np))
      9 model='/content/gdrive/MyDrive/model.pt'
---> 10 pytorch_to_keras(model,input_np,input_shapes= [(10, 32, 32,)], verbose=True)
     11 
     12 

/usr/local/lib/python3.7/dist-packages/pytorch2keras/converter.py in pytorch_to_keras(model, args, input_shapes, change_ordering, verbose, name_policy, use_optimizer, do_constant_folding)
     51     args = tuple(args)
     52 
---> 53     dummy_output = model(*args)
     54 
     55     if isinstance(dummy_output, torch.autograd.Variable):

TypeError: 'str' object is not callable

Answer 1

似乎您一开始还没有导入 pytorch_to_keras 方法。此外，作为第一个参数，您可能需要提供实际模型，而不是模型路径。试一试，我不熟悉这个库。

Answer 2

啊，PyTorch转Tensorflow的经典问题。多年来，许多库来来去去，但我发现 ONNX 的工作方式最为一致。你可以试试这样的。

特定于 PyTorch 的是 Dynamic Computational Graph。动态计算图意味着 PyTorch 模型可以动态适应不同的输入大小。您可以指定哪些轴需要动态调整大小。 这是一些将 CNN 从 PyTorch 转换为 ONNX 的最小代码。

import onnx
import torch

model = get_model()
model.eval()

# Test model on sample image size 
example_input = torch.randn((1, 3, img_size, img_size), requires_grad=True)
model(example_input)

# Set input and output names, include more names in the list if your model has more than 1 input/output
input_names = ["input0"]
output_names = ["output0"]

# Set dynamic axes (in this case, make the batch a dynamic dimension)
dynamic_axes = {'input0': {0: 'batch'}, 'output0': {0: 'batch'}}

# Export model with the above parameters
torch_out = torch.onnx.export(
    model, example_input, 'model.onnx', export_params=True, input_names=input_names, output_names=output_names, 
    dynamic_axes=dynamic_axes, operator_export_type=torch.onnx.OperatorExportTypes.ONNX
)

# Use ONNX checker to verify integrity of model
onnx_model = onnx.load("model.onnx")
onnx.checker.check_model(onnx_model)

也可以将模型的高度和宽度设置为动态输入尺寸

dynamic_axes['input0'][2] = 'height'
dynamic_axes['input0'][3] = 'width'

接下来，我们将 ONNX 模型转换为 Tensorflow SavedModel。

from onnx_tf.backend import prepare
import onnx

onnx_model = onnx.load('model.onnx')
tf_model = prepare(onnx_model)
tf_model.export_graph('tf_model')

tf_model 现在是 Tensorflow SavedModel。