Скачать pytorch2keras - pytorch2keras исходный код скачать

Pytorch2keras

Pytorch в Keras Model Converter.

Установка

 pip install pytorch2keras

Важное уведомление

Чтобы правильно использовать конвертер, внесите изменения в ~/.keras/keras.json :

 ...
"backend" : " tensorflow " ,
"image_data_format" : " channels_first " ,
...

Tensorflow.js

Для правильного преобразования в формат tensorflow.js, пожалуйста, используйте новые names='short' .

Вот короткая инструкция, как получить модель tensorflow.js:

Прежде всего, вы должны преобразовать свою модель в керас с помощью этого конвертера:

 k_model = pytorch_to_keras ( model , input_var , [( 10 , 32 , 32 ,)], verbose = True , names = 'short' )

Теперь у вас есть модель Keras. Вы можете сохранить его как файл H5, а затем конвертировать его с помощью tensorflowjs_converter но иногда он не работает. В качестве альтернативы, вы можете получить график TensorFlow и сохранить его как замороженную модель:

 # Function below copied from here:
# https://stackoverflow.com/questions/45466020/how-to-export-keras-h5-to-tensorflow-pb 
def freeze_session ( session , keep_var_names = None , output_names = None , clear_devices = True ):
    """
    Freezes the state of a session into a pruned computation graph.

    Creates a new computation graph where variable nodes are replaced by
    constants taking their current value in the session. The new graph will be
    pruned so subgraphs that are not necessary to compute the requested
    outputs are removed.
    @param session The TensorFlow session to be frozen.
    @param keep_var_names A list of variable names that should not be frozen,
                          or None to freeze all the variables in the graph.
    @param output_names Names of the relevant graph outputs.
    @param clear_devices Remove the device directives from the graph for better portability.
    @return The frozen graph definition.
    """
    from tensorflow . python . framework . graph_util import convert_variables_to_constants
    graph = session . graph
    with graph . as_default ():
        freeze_var_names = 
            list ( set ( v . op . name for v in tf . global_variables ()). difference ( keep_var_names or []))
        output_names = output_names or []
        output_names += [ v . op . name for v in tf . global_variables ()]
        input_graph_def = graph . as_graph_def ()
        if clear_devices :
            for node in input_graph_def . node :
                node . device = ""
        frozen_graph = convert_variables_to_constants ( session , input_graph_def ,
                                                      output_names , freeze_var_names )
        return frozen_graph


from keras import backend as K
import tensorflow as tf
frozen_graph = freeze_session ( K . get_session (),
                              output_names = [ out . op . name for out in k_model . outputs ])

tf . train . write_graph ( frozen_graph , "." , "my_model.pb" , as_text = False )
print ([ i for i in k_model . outputs ])

Вы увидите имя выходного уровня, так что теперь пришло время преобразовать my_model.pb в модель TFJS:

tensorflowjs_converter  
    --input_format=tf_frozen_model 
    --output_node_names= ' TANHTObs/Tanh ' 
    my_model.pb 
    model_tfjs

Вот и все!

 const MODEL_URL = `model_tfjs/tensorflowjs_model.pb` ;
const WEIGHTS_URL = `model_tfjs/weights_manifest.json` ;
const model = await tf . loadFrozenModel ( MODEL_URL , WEIGHTS_URL ) ;

Как использовать

Это преобразователь Pytorch Graph в модель кераса (бэкэнд Tensorflow).

Во -первых, нам нужно загрузить (или создать) действительную модель Pytorch:

 class TestConv2d ( nn . Module ):
    """
    Module for Conv2d testing
    """

    def __init__ ( self , inp = 10 , out = 16 , kernel_size = 3 ):
        super ( TestConv2d , self ). __init__ ()
        self . conv2d = nn . Conv2d ( inp , out , stride = 1 , kernel_size = kernel_size , bias = True )

    def forward ( self , x ):
        x = self . conv2d ( x )
        return x

model = TestConv2d ()

# load weights here
# model.load_state_dict(torch.load(path_to_weights.pth))

Следующий шаг - создайте фиктивную переменную с правильной формой:

 input_np = np . random . uniform ( 0 , 1 , ( 1 , 10 , 32 , 32 ))
input_var = Variable ( torch . FloatTensor ( input_np ))

Мы используем манекен-переменную, чтобы проследить модель (с JIT.Trace):

 from pytorch2keras import pytorch_to_keras
# we should specify shape of the input tensor
k_model = pytorch_to_keras ( model , input_var , [( 10 , 32 , 32 ,)], verbose = True )

Вы также можете установить размеры H и W никто, чтобы сделать вашу модель-агентскую форму (например, полностью сверток Netowrk):

 from pytorch2keras . converter import pytorch_to_keras
# we should specify shape of the input tensor
k_model = pytorch_to_keras ( model , input_var , [( 10 , None , None ,)], verbose = True )

Вот и все! Если все модули правильно преобразованы, модель керас будет храниться в переменной k_model .

API

Вот единственный метод pytorch_to_keras из модуля pytorch2keras .

 def pytorch_to_keras (
    model , args , input_shapes = None ,
    change_ordering = False , verbose = False , name_policy = None ,
):

Параметры:

model - модель Pytorch (NN.Module) для преобразования;
args - список фиктивных переменных с правильными формами;
input_shapes - (экспериментальный) список с переоборудованными формами для входов;
change_ordering - (экспериментально) логический, если включен, конвертер попытается изменить BCHW на BHWC
verbose - логический, подробный журнал конверсии
name_policy - (экспериментальный) выбор из [ keep , short , random ]. Селектор установил политику именования целевого уровня.

Поддерживаемые слои

Активации:
- Рельеф
- Утечка
- Сель
- Сигмоид
- Softmax
- Тан
Константы
Своения:
- Conv2d
- Convtrsnope2d
По элементу:
- Добавлять
- Мульт
- Подставка
- Дивизион
Линейный
Нормализации:
- Batchnorm2d
- Instancenorm2d
Обвязывание:
- Maxpool2d
- Avgpool2d
- Global MaxPool2d (адаптивное объединение в форме [1, 1])