Descargar MMdnn - Descargar el código fuente de MMdnn

MMdnn

Pitón

MMdnn 0.3.1 Release

Descargar

Mmdnn

MMDNN es una herramienta integral y de trabajo cruzado para convertir, visualizar y diagnosticar modelos de aprendizaje profundo (DL). El "MM" significa Gestión del Modelo, y "DNN" es el acrónimo de la red neuronal profunda.

Las características principales incluyen:

Conversión de modelo
- Implementamos un convertidor universal para convertir modelos DL entre marcos, lo que significa que puede capacitar a un modelo con un marco e implementarlo con otro.
Reentrenamiento modelo
- Durante la conversión del modelo, generamos algunos fragmentos de código para simplificar la reciclaje o inferencia posterior.
Búsqueda de modelos y visualización
- Proporcionamos una colección de modelos para ayudarlo a encontrar algunos modelos populares.
- Proporcionamos un visualizador de modelo para mostrar la arquitectura de red de manera más intuitiva.
Despliegue de modelo
- Brindamos algunas pautas para ayudarlo a implementar modelos DL en otra plataforma de hardware.
  - Androide
  - Servicio
- Proporcionamos una guía para ayudarlo a acelerar la inferencia con Tensorrt.
  - Tensor

Proyectos relacionados

Dirigirse a la apertura y avanzar en la tecnología de última generación, Microsoft Research (MSR) y Microsoft Software Technology Center (STC) también habían publicado algunos otros proyectos de código abierto:

OpenPAI: una plataforma de código abierto que proporciona capacidades completas de capacitación en modelos de IA y gestión de recursos, es fácil de extender y admite entornos en las instalaciones, en la nube e híbridos en diversas escala.
FrameWorkController: un controlador de cápsula Kubernetes de uso general de código abierto que orquesta todo tipo de aplicaciones en Kubernetes por un solo controlador.
NNI: un kit de herramientas liviano pero potente para ayudar a los usuarios a automatizar la ingeniería de funciones, la búsqueda de arquitectura neural, el ajuste de hiperparameter y la compresión del modelo.
Neuronblocks: un conjunto de herramientas de modelado de aprendizaje profundo de NLP que ayuda a los ingenieros a construir modelos DNN como jugar LEGO. El objetivo principal de este conjunto de herramientas es minimizar el costo de desarrollo para la construcción de modelos de red neuronal profunda de PNL, incluidas las etapas de capacitación e inferencia.
SPTAG: Space Partition Tree and Graph (SPTAG) es una biblioteca de código abierto para el escenario de búsqueda de vecinos más cercanos al vector a gran escala.

Alentamos a los investigadores, desarrolladores y estudiantes a aprovechar estos proyectos para impulsar su productividad de IA / aprendizaje profundo.

Instalación

Instalar manualmente

Puede obtener una versión estable de mmdnn por

pip install mmdnn

Y asegúrese de tener instalado Python o puede probar la versión más reciente por

pip install -U git+https://github.com/Microsoft/MMdnn.git@master

Instalar con la imagen de Docker

MMDNN proporciona una imagen Docker, que empaqueta los marcos de aprendizaje MMDNN y Deep Learning que apoyamos, así como otras dependencias. Puede probar fácilmente la imagen con los siguientes pasos:

Instalar Docker Community Edition (CE)
Obtenga más información sobre cómo instalar Docker
Pull Mmdnn Docker Imagen
```
docker pull mmdnn/mmdnn:cpu.small
```
Ejecutar la imagen en modo interactivo
```
docker run -it mmdnn/mmdnn:cpu.small
```

Características

Conversión de modelo

En toda la industria y la academia, hay una serie de marcos existentes disponibles para que los desarrolladores e investigadores diseñen un modelo, donde cada marco tiene su propia definición de estructura de red y formato de modelos de ahorro. Las brechas entre los marcos impiden la interoperación de los modelos.

Proporcionamos un convertidor de modelo para ayudar a los desarrolladores a convertir modelos entre marcos a través de un formato de representación intermedio.

Marcos de soporte

[Nota] Puede hacer clic en los enlaces para obtener un readme detallado de cada marco.

Cafetería
Microsoft Cognitive Toolkit (CNTK)
Core
Keras
Mxnet
ONNX (solo destino)
Pytorch
TensorFlow (experimental) (Recomendamos encarecidamente que lea el Readme de TensorFlow primero)
Darknet (solo fuente, experimento)

Modelos probados

La conversión del modelo entre los marcos compatibles actualmente se prueba en algunos modelos ImageNet .

Modelos	Cafetería	Keras	Flujo tensor	Cittk	Mxnet	Pytorch	Core	ONNX
VGG 19	√	√	√	√	√	√	√	√
Inception V1	√	√	√	√	√	√	√	√
Inception V3	√	√	√	√	√	√	√	√
Inception v4	√	√	√	O	√	√	√	√
Resnet v1	×	√	√	O	√	√	√	√
Resnet v2	√	√	√	√	√	√	√	√
Mobilenet V1	×	√	√	O	√	√	√	√
Mobilenet V2	×	√	√	O	√	√	√	√
Xcepción	√	√	√	O	×	√	√	√
Squeezenet	√	√	√	√	√	√	√	√
Densenet	√	√	√	√	√	√	√	√
Nasnet	incógnita	√	√	O	√	√	√	incógnita
Resnext	√	√	√	√	√	√	√	√
VOC FCN			√	√
Yolo3		√		√

Uso

Un comando para lograr la conversión. Uso de TensorFlow ResNet V2 152 a Pytorch como nuestro ejemplo.

$ mmdownload -f tensorflow -n resnet_v2_152 -o ./
$ mmconvert -sf tensorflow -in imagenet_resnet_v2_152.ckpt.meta -iw imagenet_resnet_v2_152.ckpt --dstNodeName MMdnn_Output -df pytorch -om tf_resnet_to_pth.pth

Hecho.

Marcos en curso

Torch7 (se busca ayuda)
Chainer (se busca ayuda)

Modelos en curso

Detección de la cara
Segmentación semántica
Transferencia de estilo de imagen
Detección de objetos
RNN

Visualización del modelo

Proporcionamos un visualizador local para mostrar la arquitectura de red de un modelo de aprendizaje profundo. Consulte la instrucción.

Ejemplos

Tutorial oficial

Keras "Inception V3" a CNTK y un problema relacionado
TensorFlow Slim Model "Resnet V2 152" a Pytorch
Modelo MXNET "LRESNET50E-IR" a TensorFlow y un problema relacionado

Ejemplos de usuarios

MXNET "RESNET-152-11K" para pytorch
Otro ejemplo de mxnet "resnet-152-11k" a Pytorch
Mxnet "resnext" a keras
Tensorflow "resnet-101" a Pytorch
Tensorflow "Modelo MLP MNIST" para cntk
TensorFlow "Inception_V3" a MXNET
Caffe "VOC-FCN" a TensorFlow
Caffe "Alexnet" a TensorFlow
Caffe "Inception_V4" a TensorFlow
Caffe "VGG16_SOD" a TensorFlow
Caffe "Squeezenet V1.1" para cntk

Que contribuye

La mayoría de las contribuciones requieren que acepte un Acuerdo de Licencia de Contributor (CLA) que declare que tiene derecho y realmente hacer, otorgándonos los derechos para usar su contribución. Para más detalles, visite https://cla.microsoft.com.

Cuando envíe una solicitud de extracción, un bote CLA determinará automáticamente si necesita proporcionar un CLA y decorar el PR de manera apropiada (por ejemplo, etiqueta, comentario). Simplemente siga las instrucciones proporcionadas por el bot. Solo necesitará hacer esto una vez en todos los reposos usando nuestro CLA.

Este proyecto ha adoptado el Código de Conducta Open Open Microsoft. Para obtener más información, consulte el Código de Conducta Preguntas frecuentes o comuníquese con [email protected] con cualquier pregunta o comentario adicional.

Representación intermedia

La representación intermedia almacena la arquitectura de red en pesos binarios de ProtoBuf y pretrontrados en formato nativo numpy .

[¡NOTA!] Actualmente, los datos de pesas IR están en formato NHWC (Channel Last).

Los detalles están en OPS.txt y Graph.proto. Los nuevos operadores y cualquier comentario son bienvenidos.

Marcos

Estamos trabajando en otros marcos de conversión y visualización, como Pytorch, Coreml, etc. Estamos investigando más operadores relacionados con RNN. ¡Cualquier contribución y sugerencia es bienvenida! Detalles en la guía de contribución.