MMdnn

mmdnn

MMDNNは、ディープラーニング（DL）モデルを変換、視覚化、診断するための包括的なクロスフレームワークツールです。 「MM」はモデル管理の略で、「DNN」はディープニューラルネットワークの頭字語です。

主な機能は次のとおりです。

• モデル変換

  • ユニバーサルコンバーターを実装して、DLモデルをフレームワーク間で変換するため、1つのフレームワークでモデルをトレーニングし、別のフレームで展開できます。

• モデル再訓練

  • モデル変換中に、いくつかのコードスニペットを生成して、後の再訓練または推論を簡素化します。

• モデルの検索と視覚化

  • 人気のあるモデルを見つけるのに役立つモデルコレクションを提供します。
  • ネットワークアーキテクチャをより直感的に表示するためのモデルビジュアライザーを提供します。

• モデルの展開

  • DLモデルを別のハードウェアプラットフォームに展開するのに役立ついくつかのガイドラインを提供します。

    • アンドロイド
    • サービング

  • Tensortとの推論を加速するのに役立つガイドを提供します。

    • Tensort

関連プロジェクト

Opennessでのターゲティングと最先端の技術の進出、Microsoft Research（MSR）およびMicrosoft Software Technology Center（STC）も、他のオープンソースプロジェクトをほとんどリリースしていませんでした。

• OpenPai：完全なAIモデルトレーニングとリソース管理機能を提供するオープンソースプラットフォームであるため、拡張が簡単で、オンプレミス、クラウド、ハイブリッド環境をさまざまなスケールでサポートします。
• FrameworkController：単一のコントローラーによってKubernetesのあらゆる種類のアプリケーションを調整するオープンソースの汎用Kubernetesポッドコントローラー。
• NNI：ユーザーがフィーチャーエンジニアリング、ニューラルアーキテクチャ検索、ハイパーパラメーターのチューニング、モデル圧縮を自動化するのに役立つ軽量で強力なツールキット。
• NeuronBlocks：エンジニアがLEGOのプレイなどのDNNモデルを構築するのに役立つNLPディープラーニングモデリングツールキット。このツールキットの主な目標は、トレーニングと推論の両方の段階を含むNLPディープニューラルネットワークモデルの構築のコストの開発を最小限に抑えることです。
• SPTAG：スペースパーティションツリーとグラフ（SPTAG）は、大規模ベクトルの近くの近隣検索シナリオのためのオープンソースライブラリです。

研究者、開発者、学生がこれらのプロジェクトを活用して、AI /深い学習生産性を高めることをお勧めします。

インストール

手動でインストールします

Mmdnnの安定したバージョンを入手できます

pip install mmdnn

そして、必ずPythonをインストールしてください。または、最新バージョンを試すことができます

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

docker画像でインストールします

MMDNNは、MMDNNとその他の依存関係と同様に、MMDNNとディープラーニングフレームワークをパッケージ化するDocker画像を提供します。次の手順で画像を簡単に試すことができます。

1. Dockerコミュニティエディション（CE）をインストールする

   Dockerのインストール方法の詳細をご覧ください

2. mmdnn docker画像を引っ張ります

   docker pull mmdnn/mmdnn:cpu.small

3. インタラクティブモードで画像を実行します

   docker run -it mmdnn/mmdnn:cpu.small

特徴

モデル変換

業界と学界全体に、開発者と研究者がモデルを設計するために利用できる多くの既存のフレームワークがあります。各フレームワークには、独自のネットワーク構造定義とモデル形式の保存があります。フレームワーク間のギャップは、モデルの操作を妨げます。

モデルコンバーターを提供して、開発者が中間表現形式を介してフレームワーク間でモデルを変換するのを支援します。

サポートフレームワーク

[注]リンクをクリックして、各フレームワークの詳細なreadmeを取得できます。

• カフェ
• Microsoft Cognitive Toolkit（CNTK）
• coreml
• ケラス
• mxnet
• onnx（宛先のみ）
• Pytorch
• Tensorflow（実験）（最初にTensorflowのReadmeを読むことを強くお勧めします）
• darknet（ソースのみ、実験）

テストされたモデル

現在サポートされているフレームワーク間のモデル変換は、一部のImagenetモデルでテストされています。

モデル	カフェ	ケラス	Tensorflow	cntk	mxnet	Pytorch	coreml	onnx
VGG 19	√	√	√	√	√	√	√	√
インセプションV1	√	√	√	√	√	√	√	√
インセプションV3	√	√	√	√	√	√	√	√
インセプションV4	√	√	√	o	√	√	√	√
Resnet V1	×	√	√	o	√	√	√	√
ResNet V2	√	√	√	√	√	√	√	√
Mobilenet V1	×	√	√	o	√	√	√	√
Mobilenet V2	×	√	√	o	√	√	√	√
Xception	√	√	√	o	×	√	√	√
スクイーズネット	√	√	√	√	√	√	√	√
デンセン	√	√	√	√	√	√	√	√
ナスネット	x	√	√	o	√	√	√	x
snnext	√	√	√	√	√	√	√	√
VOC FCN			√	√
Yolo3		√		√

使用法

変換を達成するための1つのコマンド。 Tensorflow Resnet V2 152を使用して、例としてPytorchに。

$ 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

終わり。

進行中のフレームワーク

• TORCH7（ヘルプ募集）
• チェーン（ヘルプ募集）

進行中のモデル

• 顔の検出
• セマンティックセグメンテーション
• 画像スタイルの転送
• オブジェクトの検出
• RNN

---

モデルの視覚化

深い学習モデルのネットワークアーキテクチャを表示するためのローカルビジュアライザーを提供します。指示を参照してください。

---

例

公式チュートリアル

• KERAS「Inception V3」からCNTKおよび関連する問題

• Tensorflow Slimモデル「Resnet V2 152」からPytorch

• MXNETモデル「LRESNET50E-IR」からTENSORFLOWおよび関連する問題

ユーザーの例

• MXNET「ResNet-152-11K」からPytorchへ

• PytorchへのMXNET「ResNet-152-11K」の別の例

• Kerasへのmxnet「resnext」

• Tensorflow "Resnet-101" to pytorch

• Tensorflow "Mnist MLPモデル"からCNTKへ

• tensorflow "inception_v3"からmxnet

• TensorflowからCaffe "voc-fcn"

• TensorflowからCaffe "Alexnet"

• tensorflowからcaffe "inception_v4"

• tensorflowからcaffe "vgg16_sod"

• CAFFE「Squeezenet v1.1」からCNTK

---

貢献

ほとんどの貢献では、貢献者ライセンス契約（CLA）に同意する必要があります。実際に行う権利があり、実際に行うことを宣言してください。詳細については、https：//cla.microsoft.comをご覧ください。

プルリクエストを送信すると、CLAボットはCLAを提供し、PRを適切に飾る必要があるかどうかを自動的に決定します（例：ラベル、コメント）。ボットが提供する指示に従うだけです。 CLAを使用して、すべてのレポでこれを1回だけ行う必要があります。

このプロジェクトは、Microsoftのオープンソース行動規範を採用しています。詳細については、FAQのコードを参照するか、追加の質問やコメントについては[email protected]にお問い合わせください。

中間表現

中間表現は、ネットワークアーキテクチャをProtobufバイナリおよび事前に訓練した重みでnumpyネイティブ形式で保存します。

[注！]現在、IRウェイトデータはNHWC（チャンネルラスト）形式です。

詳細はops.txtとgraph.protoにあります。新しいオペレーターとコメントは大歓迎です。

フレームワーク

Pytorch、Coremlなど、他のフレームワークの変換と視覚化に取り組んでいます。より多くのRNN関連オペレーターを調査しています。貢献や提案は大歓迎です！貢献ガイドラインの詳細。

著者

Yu Liu（北京大学）：プロジェクト開発者とメンテナー

Cheng Chen（Microsoft Research Asia）：Caffe、CNTK、Coreml Emitter、Keras、Mxnet、Tensorflow

Jiahao Yao（北京大学）：Coreml、Mxnet Emitter、Pytorch Parser;ホームページ

Ru Zhang（中国科学アカデミー）：Coreml Emitter、Darknet Parser、Keras、Tensorflow Frozen Graph Parser; YoloおよびSSDモデル。テスト

Yuhao Zhou（Shanghai Jiao Tong University）：Mxnet

チングQin（Microsoft Research Asia）：カフェエミッター

Tong Zhan（Microsoft）：onnxエミッター

Qianwen Wang（香港科学技術大学）：視覚化

謝辞

Saumitro Dasguptaのおかげで、 Caffeの初期コード - > IR変換は彼のプロジェクトCaffe -Tensorflowへの参照です。

ライセンス

MITライセンスに基づいてライセンスされています。