+-
将模型转为NNIE框架支持的wk模型第一步:tensorflow->caffe
摘要:本系列文章旨在分享tensorflow->onnx->Caffe->wk模型转换流程,主要针对的是HI3516CV500, Hi3519AV100 支持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框架支持的wk模型——以tensorflow框架为例(一)》,原文作者:wwwyx_^▽^

使用过NNIE框架的同学都知道,NNIE框架只支持wk模型的推理。

实际使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。一般情况下如果购买了芯片,海思将会直接将相关的SDK包发送给客户,如果没有的话,大家可以从这个链接获取:RuyiStudio

从上面可知,最终需要将别的框架模型转为caffe才可以使用RuyiStudio,目前主流框架包含pytorch、tensorflow、mxnet等,关于pytorch转caffe之前已经有大佬写过了pytorch->caffe,有需要的同学可以去看下。本文主要讲述tensorflow框架转为caffe可能会遇到的问题以及解决方法。mxnet有直接的接口可以转onnx,也可以参考这篇文章做caffe转换。

下面进入正题。

tensorflow->caffe

这个真的是个大坑(哭泣),这里我使用了中间模型onnx,即最终成功转换的路径是 pb->onnx->caffe->wk,下面就说一下具体的操作吧~

第一步:tensorflow->onnx

这一步是最简单的一步= =,目前转了一些模型还没有在这里遇到坑。
使用github上的开源项目:tensorflow->onnx,直接使用pip install 安装后使用。

关注一下都有哪些参数,每个参数的作用,主要是输入、输出、推理使用nchw还是nhwc(caffe框架为nchw,所以这里都使用nchw)、opset(默认使用 9 ),很多的参数我没有使用到,大家有疑问可以直接去issues上面看下哈。

下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

得到onnx模型之后,可以使用onnx simplifer将一些零散算子合并,或者将一些冗余算子去除,这个工具视情况使用。

python -m onnxsim input_onnx_model output_onnx_model

转换为onnx之后,需要验证输出的结果是否与pb一致,一致后再走后面的流程!!

第二步:onnx->caffe

这里已经得到了onnx模型,但是距离成功还有99%的路要走!!

这一小节Baseline:onnx2caffe

环境: caffe 1.0 + onnx 1.8.0
主要功能代码:

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,可以从下面几个方面来适配,

(1)遇到caffe与NNIE不支持的算子,可以修改onnx模型中的node以适配caffe(这里要发动自己的小脑筋,一些算子替换可以参考一下pytorch->caffe这篇博客)。
(2)如果遇到了NNIE与onnx支持的算子,但是caffe 1.0 官方不支持的话,可以在caffe中添加新的层,重新编译之后,再做转换。caffe中添加新的层可以参考:caffe 添加新node
(3)caffe与NNIE都支持的算子,但是转换工具没有支持该算子的转换,在转换代码中添加相应的算子实现。
(4)转换过程中算子转换成功,但是出现了shape问题,手动添加一些不需要参数的操作在已经生成的prototxt中。

针对上面的每个方法给出对应的解决方式。

修改onnx模型中的node以适配caffe

改写onnx模型,首先需要了解一下onnx都支持哪些算子。

onnx支持的op:onnx op

更换模型中的操作时,查看该node的输入输出模式,按照格式对模型进行改写。onnx模型改写涉及多种情况,下面介绍几种常用的方法。

1.关于node的改写有时需要已知其输入输出size,故一开始先准备一个包含每个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

使用netron打开onnx模型,查看添加size之后的变化:

2.遇到caffe与NNIE不支持的算子,删除onnx模型中的node,将相关操作在外部的预处理阶段进行。这种情况只涉及onnx模型中已经存在的节点删除与改变已有边连接的关系,不涉及新的边关系的建立。

` 这里使用graph中node的index来访问node
  该代码删除graph node 0,1,2
  并且修改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不支持的算子,修改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,这时可以将onnx模型中的squeeze替换为reshape算子。reshape需要两个输入,而squeeze只对应一个输入,这时需要在graph中创建一个新的常数tensor input。这种情况涉及更换已经存在的node,新的常数tensor的加入,但并不涉及新的边关系的建立。

`查看onnx op的操作,reshape需要两个输入
对于reshape需要将一个shape tensor加入到onnx graph中,
tensor size可以查看第一步生成的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
    ## 添加常数 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不支持div算子,可以将div算子转为pow+mul。这种情况涉及将一个node更换为两个,新的常数tensor的加入,以及新的边连接关系。

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作为指数输入)

    \\    //

     \\  //  --> (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' 类似于上图中的input_y

   #  pow_scale 为上面创建的相应的指数tensor

   # 'pred_pose/mul_12_pow_output:0' 为新建的output tensor

   #  pow name 给一个不与图中node重复的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)

经过这个修改之后,使用netron查看node边关系,看是否正确。

5.打印onnx中间某个节点的输出,需要在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": 想要输出node的output name
    # [1,24,14,14]: 想要输出node的output size
    add_outputNode_info(onnx_model, "mul:0", [1,24,14,14], add_node_path)

上面的例子已经将大部分node修改的情况涵盖了,修改onnx模型可以参考上述代码。

小tips:Reshape大法好,各种跟维度有关系的都可以用reshape来代替,除此之外,transpose也是网红node,具体问题具体分析~

在转换代码中添加相应的算子实现

在caffe中添加新的层没什么好说的,按照上面给的链接来就可以,这里主要介绍下如何修改转换代码去适配某个模型转换。经过上面修改onnx模型这一步,我们已经将onnx模型中的node全部换为caffe与NNIE支持的算子了,但这时onnx2caffe可能还会出现问题,下面会从不同的情况做onnx2caffe代码适配来逐步完成模型转换。

1.caffe和NNIE都支持某个操作,但是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也支持该操作,但是转换报错。查看onnx2caffe源码发现没有TanH的转换实现,这时需要我们添加相应的转换代码,主要修改_operators.py、_weightloader.py两个文件,下面以TanH为例讲解一下怎么增加转换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,首先需要在文件的最后注册算子模块添加TanH,然后增加转换代码。

`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

   

`添加注册算子:`

_ONNX_NODE_REGISTRY = {

    ……

    "Tanh": _convert_tanH,

}

_weightloader.py 文件用来实现node参数从onnx到Caffe的传递。第一步也是在文件末尾添加注册算子,添加同_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];

}

由于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中添加tanh操作就完成了,具体工程就包含修改上面两个文件夹,主要是注册算子、操作转换的实现、weight值传递。

2.caffe和NNIE都支持某个操作,onnx2caffe也支持该操作,但是操作中有一个输入在模型中被写为weight,与原来的实现不一致。

如: mul算子,普通的mul算子一般都包含两个输入,模型中可能会存在mul算子只有一个输入,另一个输入作为weight参数,如下所示:

这种情况下,由于已经存在了mul的注册算子,我们只需要在mul算子转换的时候新加一个分支来实现就可以了,还是只涉及两个文件的改写。

_operators.py 添加分支代码

def _convert_input1_is_weight_mul(node,graph,max_dim, err):

    node_name = node.name

    `这里的input_name需要在netron视图中观察一下是哪一个input作为外部输入,这里不能写 weight 的输入名称!`

    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



    `这里使用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 也不需要重新注册,直接添加分支代码

def _convert_input1_is_weight_mul(net, node, graph, err):

    node_name = node.name



    ` 注意!!

      scale = np.ones(3) * 3.0

      对应的是 外部输入size =(1,3), weight size = (1),

      这种情况可以借助 numpy 实现weight与外部输入的channel对齐



      这里还有另外一种情况,例如 外部输入 size = (1,128,8,8), weight = (1,128,1,1)

      可以这样操作: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本身是没有weight的,所以之前就是直接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

实际转换过程中,add算子也会出现上面的情况,其中有一个输入作为算子参数,这时可以把其类比到 _convert_BatchNorm 中的scale操作,将scale的weight视为1,bias为add算子的内部输入参数,可以参照BatchNorm修改代码,这里就不详细写了。

转换过程中算子转换成功,但是出现了shape问题,手动修改prototxt

上面介绍的是算子的适配,但有时通过onnx2caffe转换代码之后,已经生成了prototxt文件,最终报错 feature map 的 shape 不匹配,由于onnx2caffe工具在转换的时候就打印出了每一层的output,通过与netron视图对比,定位第一个出现问题的node。

知己知彼方能百战百胜,为了定位shape为什么不一致,我们先要了解一下不同框架的padding策略以及相应的output size的计算方法。

查看caffe的output size计算方式,根据代码可得:
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策略可根据这篇博客,结合上面caffe的output size计算,感觉caffe的 conv padding 策略与tensorflow pad=VALID一致,会把不能参与的pixel自动去除不进行计算。

好了,了解了不同框架的padding策略以及output size的计算方式之后,我们来分析我们的模型,模型转换是这样的:

分析上面模型转换的表格参数:

tensorflow pad=SAME,为了使所有的input pixel都参与计算,tensorflow在推理时偷偷在input的右下补了一行0,这样最后的输出:
output size = (112 - (1 * (3 - 1) + 1) + 1) / 2 + 1 = 56
其中 (112 - (1 * (3 - 1) + 1) + 1) 斜体1表示偷偷补的0。 对于onnx, 经过查询与实验,发现 pads 参数[0,0,1,1]表示 feature map 上面不补,左边不补,下面补一行 0,右边补一列,与tf一致,输出没有什么问题。 转为caffe之后,caffe模型 conv pad 参数都为0,上下左右都不补,这时根据caffe的outputshape公式,最终计算结果为(1,3,55,55),直接去除input的最后一行和最后一列不参与计算。

为了使输出shape一致,并且计算结果相同,我采用了下面的解决方法。

caffe中设置 pad_h:2, pad_w:2。 由于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,这时结合output_shape公式,最终输出的shape为:

output_shape = floor((112 + 2 2 - (1 (3 - 1) + 1) + 1) / 2) + 1 = 57

思考一下conv原理,就知道此时caffe得到的feature map 只是比tf的多了最上面一行和最左边一列。稍微解释一下,虽然caffe设置pad=2,但是根据caffe的conv实现,会将右下比tf多补的那一行和那一列自动去除,不参与运算。这时feature map输出为(1,3,57,57), 为了得到正确结果,在prototxt文件的conv算子之后添加两个slice操作,去除最上面一行与最左边一列。

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

  }

}

上面就是针对caffe模型的适配,东西很多很杂,有时候需要一些新奇的思路才能解决问题,当然还涉及一些prototxt文件中算子param的修改,具体问题具体分析,这里就不展开讲了。

第三步:验证

将得到的caffe模型的输出结果与pb的输出结果进行对比,一般情况下应该是一模一样的,如果不一样主要关注一下 输入预处理,输出预处理,被修改的node之前的那个node的输出是不是OK(主要是定位是不是自己改的node的问题),切忌心浮气躁,掌握方法。每进行一次魔改都做一次推理,这样比较好定位。

总结

对于tf转caffe确实有一些麻烦,上面可能也只是列了万分之一的问题吧,不过希望可以帮助到大家。大家针对这方面什么好的想法希望可以多交流奥~

针对onnx模型的魔改可能是多余的,应该将相关的转换方式直接写进onnx2caffe的转换工具中会更加好,但是之前想着修改onnx会更简单些,之后希望可以有时间把转换工具修改的更通用一些

强烈要求算法同学训练模型之前先看下NNIE框架支持的算子类型!!具体参考《HiSVP 开发指南》5.3.2节支持的算子类型以及3.1.6.2每个算子支持的规格,避免模型转换不过去又要返工!!

点击关注,第一时间了解华为云新鲜技术~