Download do MMdnn - MMdnn Download de código fonte

MMdnn

Pitão

MMdnn 0.3.1 Release

Baixar

Mmdnn

O MMDNN é uma ferramenta abrangente e cruzada para converter, visualizar e diagnosticar modelos de aprendizado profundo (DL). O "MM" significa gerenciamento de modelos e "DNN" é o acrônimo da rede neural profunda.

Os principais recursos incluem:

Conversão de modelos
- Implementamos um conversor universal para converter modelos DL entre estruturas, o que significa que você pode treinar um modelo com uma estrutura e implantá -lo com outro.
Reciclagem de modelo
- Durante a conversão do modelo, geramos alguns trechos de código para simplificar a reciclagem ou inferência posterior.
Pesquisa e visualização de modelos
- Fornecemos uma coleção de modelos para ajudá -lo a encontrar alguns modelos populares.
- Fornecemos um visualizador de modelo para exibir a arquitetura de rede mais intuitivamente.
Modelo de implantação
- Fornecemos algumas diretrizes para ajudá -lo a implantar modelos DL em outra plataforma de hardware.
  - Android
  - Servir
- Fornecemos um guia para ajudá -lo a acelerar a inferência com o Tensorrt.
  - Tensorrt

Projetos relacionados

Direcionar a abertura e avançar a tecnologia de ponta, a Microsoft Research (MSR) e o Microsoft Software Technology Center (STC) também lançaram alguns outros projetos de código aberto:

OpenPai: uma plataforma de código aberto que fornece recursos completos de treinamento e gerenciamento de recursos de modelos de IA, é fácil estender e suporta ambientes locais, nuvem e híbridos em várias escalas.
FrameworkController: um controlador de cápsula de uso geral de uso geral que orquestra todos os tipos de aplicações em Kubernetes por um único controlador.
NNI: Um kit de ferramentas leve, mas poderoso, para ajudar os usuários automatizando engenharia de recursos, pesquisa de arquitetura neural, ajuste de hiperparâmetro e compressão modelada.
Neuronblocks: um kit de ferramentas de modelagem de aprendizado profundo da PNL que ajuda os engenheiros a construir modelos DNN como jogar LEGO. O principal objetivo deste kit de ferramentas é minimizar o desenvolvimento de custos para a construção de modelos de rede neural profunda da PNL, incluindo estágios de treinamento e inferência.
SPTAG: A Árvore de Partição Espacial e o Gráfico (SPTAG) é uma biblioteca de código aberto para o cenário de pesquisa de vizinhos mais próximo do vetor em larga escala.

Incentivamos pesquisadores, desenvolvedores e estudantes a alavancar esses projetos para aumentar sua produtividade de IA / aprendizado profundo.

Instalação

Instalar manualmente

Você pode obter uma versão estável do mmdnn por

pip install mmdnn

E certifique -se de instalar o Python ou você pode experimentar a versão mais recente por

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

Instale com a imagem do Docker

O MMDNN fornece uma imagem do Docker, que empacota MMDNN e estruturas de aprendizado profundo que apoiamos, bem como outras dependências. Você pode experimentar facilmente a imagem com as seguintes etapas:

Instale o Docker Community Edition (CE)
Saiba mais sobre como instalar o Docker
Puxe a imagem do docker mmdnn
```
docker pull mmdnn/mmdnn:cpu.small
```
Execute a imagem em um modo interativo
```
docker run -it mmdnn/mmdnn:cpu.small
```

Características

Conversão de modelos

Em toda a indústria e academia, existem várias estruturas existentes disponíveis para desenvolvedores e pesquisadores projetar um modelo, onde cada estrutura tem sua própria definição de estrutura de rede e formato de modelo de salvamento. As lacunas entre as estruturas impedem a inter-operação dos modelos.

Fornecemos um conversor de modelo para ajudar os desenvolvedores a converter modelos entre estruturas por meio de um formato de representação intermediária.

Estruturas de suporte

[Nota] Você pode clicar nos links para obter leitura detalhada de cada estrutura.

Caffe
Microsoft Cognitive Toolkit (CNTK)
Coreml
Keras
Mxnet
Onnx (somente destino)
Pytorch
Tensorflow (experimental) (é altamente recomendável que você leia o ReadMe of Tensorflow primeiro)
Darknet (somente fonte, experimento)

Modelos testados

A conversão do modelo entre estruturas suportadas atualmente é testada em alguns modelos ImageNet .

Modelos	Caffe	Keras	Tensorflow	Cntk	Mxnet	Pytorch	Coreml	ONNX
VGG 19	√	√	√	√	√	√	√	√
Início v1	√	√	√	√	√	√	√	√
Início v3	√	√	√	√	√	√	√	√
Início v4	√	√	√	o	√	√	√	√
Resnet v1	×	√	√	o	√	√	√	√
Resnet v2	√	√	√	√	√	√	√	√
MobileNet v1	×	√	√	o	√	√	√	√
MobileNet V2	×	√	√	o	√	√	√	√
Xception	√	√	√	o	×	√	√	√
Squeezenet	√	√	√	√	√	√	√	√
Densenet	√	√	√	√	√	√	√	√
Nasnet	x	√	√	o	√	√	√	x
Resnext	√	√	√	√	√	√	√	√
voc fcn			√	√
YOLO3		√		√

Uso

Um comando para alcançar a conversão. Usando o tensorflow resnet v2 152 para pytorch como nosso exemplo.

$ 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

Feito.

Estruturas em andamento

Torch7 (ajuda de ajuda)
Chainner (Help Wanted)

Modelos em andamento

Detecção de rosto
Segmentação semântica
Transferência de estilo de imagem
Detecção de objetos
Rnn

Visualização do modelo

Fornecemos um visualizador local para exibir a arquitetura de rede de um modelo de aprendizado profundo. Por favor, consulte a instrução.

Exemplos

Tutorial oficial

Keras "Inception v3" para CNTK e questão relacionada
Modelo Tensorflow Slim "Resnet V2 152" para Pytorch
Modelo MXNET "LRESNET50E-IR" para Tensorflow e problema relacionado

Exemplos dos usuários

Mxnet "resnet-152-11k" para pytorch
Outro exemplo de mxnet "resnet-152-11k" para pytorch
MXNET "Resnext" para Keras
Tensorflow "Resnet-101" para Pytorch
Tensorflow "MOMEL MNIST MLP" para CNTK
Tensorflow "insception_v3" para mxnet
Caffe "voc-fcn" para Tensorflow
Caffe "Alexnet" para Tensorflow
Caffe "Incception_v4" para Tensorflow
Caffe "vgg16_sod" para tensorflow
Caffe "SqueeZenet v1.1" para CNTK

Contribuindo

A maioria das contribuições exige que você concorde com um Contrato de Licença de Colaborador (CLA) declarando que você tem o direito e realmente faz, conceda os direitos de usar sua contribuição. Para detalhes, visite https://cla.microsoft.com.

Quando você envia uma solicitação de tração, um CLA-bot determina automaticamente se você precisa fornecer um CLA e decorar o PR adequadamente (por exemplo, etiqueta, comentário). Simplesmente siga as instruções fornecidas pelo bot. Você só precisará fazer isso uma vez em todos os repositórios usando nosso CLA.

Este projeto adotou o Código de Conduta Open Microsoft. Para obter mais informações, consulte o Código de Conduta Perguntas frequentes ou entre em contato com [email protected] com quaisquer perguntas ou comentários adicionais.

Representação intermediária

A representação intermediária armazena a arquitetura de rede em pesos binários e pré-treinados do Protobuf em formato nativo Numpy .

[Nota!] Atualmente, os dados de pesos de IR estão no formato NHWC (último canal).

Os detalhes estão em ops.txt e gráfico.proto. Novos operadores e quaisquer comentários são bem -vindos.

Estruturas

Estamos trabalhando em outras estruturas de conversão e visualização, como Pytorch, Coreml e assim por diante. Estamos investigando mais operadores relacionados à RNN. Quaisquer contribuições e sugestões são bem -vindas! Detalhes na diretriz de contribuição.

Autores

Yu Liu (Universidade de Pequim): Desenvolvedor e Mantenhador de Projetos

Cheng Chen (Microsoft Research Asia): Caffe, CNTK, Emissor Coreml, Keras, MxNet, Tensorflow

Jiahao Yao (Universidade de Pequim): Coreml, MXNET Emissor, Pytorch Parser; Página inicial

Ru Zhang (Academia Chinesa de Ciências): Emissor Coreml, Analisador Darknet, Keras, Analisador de gráficos congelados de tensorflow; Modelos YOLO e SSD; Testes

Yuhao Zhou (Xangai Jiao Tong University): MXNET

Tingting Qin (Microsoft Research Asia): Caffe Emissor

Tong Zhan (Microsoft): Onnx Emissor

Qianwen Wang (Universidade de Ciência e Tecnologia de Hong Kong): Visualização