Unduh MMdnn - unduhan kode sumber MMdnn

MMdnn

ular piton

MMdnn 0.3.1 Release

Unduh

Mmdnn

MMDNN adalah alat yang komprehensif dan cross-framework untuk mengonversi, memvisualisasikan, dan mendiagnosis model pembelajaran mendalam (DL). "MM" adalah singkatan dari Model Management, dan "DNN" adalah akronim dari Deep Neural Network.

Fitur utama meliputi:

Konversi model
- Kami menerapkan konverter universal untuk mengonversi model DL antara kerangka kerja, yang berarti Anda dapat melatih model dengan satu kerangka kerja dan menggunakannya dengan yang lain.
Model pelatihan ulang
- Selama konversi model, kami menghasilkan beberapa cuplikan kode untuk menyederhanakan pelatihan ulang atau inferensi nanti.
Pencarian & Visualisasi Model
- Kami menyediakan koleksi model untuk membantu Anda menemukan beberapa model populer.
- Kami menyediakan model visualizer untuk menampilkan arsitektur jaringan secara lebih intuitif.
Penyebaran model
- Kami memberikan beberapa pedoman untuk membantu Anda menggunakan model DL ke platform perangkat keras lain.
  - Android
  - Porsi
- Kami memberikan panduan untuk membantu Anda mempercepat inferensi dengan Tensorrt.
  - Tensorrt

Proyek terkait

Menargetkan pada keterbukaan dan memajukan teknologi canggih, Microsoft Research (MSR) dan Microsoft Software Technology Center (STC) juga telah merilis beberapa proyek open source lainnya:

OpenPAI: Platform sumber terbuka yang menyediakan pelatihan model AI lengkap dan kemampuan manajemen sumber daya, mudah untuk memperluas dan mendukung lingkungan di lokasi, cloud dan hibrida dalam berbagai skala.
FrameworkController: Open Source General-Purpose Kubernetes Pod Controller yang mengatur semua jenis aplikasi pada Kubernetes oleh seorang pengontrol tunggal.
NNI: Toolkit yang ringan namun kuat untuk membantu pengguna mengotomatiskan rekayasa fitur, pencarian arsitektur saraf, penyetelan hiperparameter, dan kompresi model.
NeuronBlocks: NLP Deep Learning Toolkit yang membantu insinyur untuk membangun model DNN seperti bermain Lego. Tujuan utama dari toolkit ini adalah untuk meminimalkan pengembangan biaya untuk pembangunan model jaringan saraf dalam NLP, termasuk tahap pelatihan dan inferensi.
SPTAG: Pohon dan grafik partisi ruang (SPTAG) adalah perpustakaan open source untuk vektor skala besar perkiraan skenario pencarian tetangga terdekat.

Kami mendorong para peneliti, pengembang, dan siswa untuk memanfaatkan proyek -proyek ini untuk meningkatkan produktivitas AI / pembelajaran mendalam mereka.

Instalasi

Instal secara manual

Anda bisa mendapatkan versi mmdnn yang stabil

pip install mmdnn

Dan pastikan untuk menginstal python atau Anda dapat mencoba versi terbaru dengan

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

Instal dengan gambar Docker

MMDNN menyediakan gambar Docker, yang mengemas MMDNN dan kerangka kerja pembelajaran mendalam yang kami dukung serta ketergantungan lainnya. Anda dapat dengan mudah mencoba gambar dengan langkah -langkah berikut:

Instal Docker Community Edition (CE)
Pelajari lebih lanjut tentang cara menginstal Docker
Tarik gambar Docker Mmdnn
```
docker pull mmdnn/mmdnn:cpu.small
```
Jalankan gambar dalam mode interaktif
```
docker run -it mmdnn/mmdnn:cpu.small
```

Fitur

Konversi model

Di seluruh industri dan akademisi, ada sejumlah kerangka kerja yang ada yang tersedia bagi pengembang dan peneliti untuk merancang model, di mana setiap kerangka kerja memiliki definisi struktur jaringan sendiri dan menghemat format model. Kesenjangan antara kerangka kerja menghambat antar operasi model.

Kami menyediakan konverter model untuk membantu pengembang mengonversi model antara kerangka kerja melalui format representasi menengah.

Dukungan kerangka kerja

[Catatan] Anda dapat mengklik tautan untuk mendapatkan readme rinci dari setiap kerangka kerja.

Caffe
Microsoft Cognitive Toolkit (CNTK)
Coreml
Keras
Mxnet
ONNX (hanya tujuan)
Pytorch
TensorFlow (Eksperimental) (kami sangat menyarankan Anda membaca Readme of TensorFlow terlebih dahulu)
Darknet (Sumber saja, Eksperimen)

Model yang diuji

Konversi model antara kerangka kerja yang saat ini didukung diuji pada beberapa model Imagenet .

Model	Caffe	Keras	Tensorflow	Cntk	Mxnet	Pytorch	Coreml	Onnx
VGG 19	√	√	√	√	√	√	√	√
Inception v1	√	√	√	√	√	√	√	√
Inception v3	√	√	√	√	√	√	√	√
Inception v4	√	√	√	Hai	√	√	√	√
Resnet v1	×	√	√	Hai	√	√	√	√
Resnet v2	√	√	√	√	√	√	√	√
MobileNet v1	×	√	√	Hai	√	√	√	√
MobileNet v2	×	√	√	Hai	√	√	√	√
Xception	√	√	√	Hai	×	√	√	√
Squeezenet	√	√	√	√	√	√	√	√
Densenet	√	√	√	√	√	√	√	√
Nasnet	X	√	√	Hai	√	√	√	X
Resnext	√	√	√	√	√	√	√	√
VOC FCN			√	√
Yolo3		√		√

Penggunaan

Satu perintah untuk mencapai konversi. Menggunakan TensorFlow ResNet v2 152 untuk Pytorch sebagai contoh kami.

$ 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

Selesai.

Kerangka kerja yang sedang berlangsung

Torch7 (bantuan yang diinginkan)
Chainer (bantuan yang diinginkan)

Model yang sedang berlangsung

Deteksi Wajah
Segmentasi semantik
Transfer Gaya Gambar
Deteksi Objek
Rnn

Visualisasi model

Kami menyediakan visualisasi lokal untuk menampilkan arsitektur jaringan dari model pembelajaran yang mendalam. Silakan merujuk pada instruksi.

Contoh

Tutorial resmi

Keras "inception v3" ke cntk dan masalah terkait
TensorFlow Slim Model "Resnet V2 152" ke Pytorch
Model mxnet "lresnet50e-ir" ke tensorflow dan masalah terkait

Contoh pengguna

Mxnet "resnet-152-11k" ke pytorch
Contoh lain dari mxnet "resnet-152-11k" ke pytorch
Mxnet "resnext" ke keras
TensorFlow "Resnet-101" ke Pytorch
TensorFlow "Model MLP MLP" ke CNTK
TensorFlow "Inception_v3" ke mxnet
Caffe "voc-fcn" ke tensorflow
Caffe "Alexnet" ke Tensorflow
Caffe "Inception_v4" ke tensorflow
Caffe "vgg16_sod" ke tensorflow
Caffe "Squeezenet v1.1" ke cntk

Berkontribusi

Sebagian besar kontribusi mengharuskan Anda untuk menyetujui perjanjian lisensi kontributor (CLA) yang menyatakan bahwa Anda memiliki hak untuk dan benar -benar melakukannya, beri kami hak untuk menggunakan kontribusi Anda. Untuk detailnya, kunjungi https://cla.microsoft.com.

Saat Anda mengirimkan permintaan tarik, CLA-bot akan secara otomatis menentukan apakah Anda perlu memberikan CLA dan menghiasi PR secara tepat (misalnya, label, komentar). Cukup ikuti instruksi yang disediakan oleh bot. Anda hanya perlu melakukan ini sekali di semua repo menggunakan CLA kami.

Proyek ini telah mengadopsi kode perilaku open source Microsoft. Untuk informasi lebih lanjut, lihat FAQ Kode Perilaku atau hubungi [email protected] dengan pertanyaan atau komentar tambahan.

Representasi menengah

Representasi perantara menyimpan arsitektur jaringan dalam bobot biner protobuf dan pra-terlatih dalam format asli yang numpy .

[Catatan!] Saat ini data IR bobot dalam format NHWC (saluran terakhir).

Detailnya ada di Ops.txt dan Graph.proto. Operator baru dan komentar apa pun dipersilakan.

Kerangka kerja

Kami sedang mengerjakan konversi dan visualisasi kerangka kerja lain, seperti Pytorch, Coreml dan sebagainya. Kami sedang menyelidiki lebih banyak operator terkait RNN. Kontribusi dan saran apa pun dipersilakan! Detail dalam Pedoman Kontribusi.