次の方法で共有

PyTorch トレーニング モデルを ONNX に変換する

注

PyTorch は、Windows 上の DirectML でも使用できます。

このチュートリアルの前の段階では、PyTorch を使用して機械学習モデルを作成しました。 ただし、そのモデルは、.pth ファイルです。 Windows ML アプリと統合するには、モデルを ONNX 形式に変換する必要があります。

モデルのエクスポート

モデルをエクスポートするには、torch.onnx.export() 関数を使用します。 この関数によってモデルを実行し、出力を計算するために使用される演算子のトレースを記録します。

  1. Visual Studio で、次のコードを PyTorchTraining.py ファイルの main 関数の上にコピーします。
import torch.onnx 

#Function to Convert to ONNX 
def Convert_ONNX(): 

    # set the model to inference mode 
    model.eval() 

    # Let's create a dummy input tensor  
    dummy_input = torch.randn(1, input_size, requires_grad=True)  

    # Export the model   
    torch.onnx.export(model,         # model being run 
         dummy_input,       # model input (or a tuple for multiple inputs) 
         "ImageClassifier.onnx",       # where to save the model  
         export_params=True,  # store the trained parameter weights inside the model file 
         opset_version=10,    # the ONNX version to export the model to 
         do_constant_folding=True,  # whether to execute constant folding for optimization 
         input_names = ['modelInput'],   # the model's input names 
         output_names = ['modelOutput'], # the model's output names 
         dynamic_axes={'modelInput' : {0 : 'batch_size'},    # variable length axes 
                                'modelOutput' : {0 : 'batch_size'}}) 
    print(" ") 
    print('Model has been converted to ONNX')

モデルをエクスポートする前に model.eval() または model.train(False) を呼び出すことが重要です。これにより、モデルが推論モードに設定されます。 dropout や batchnorm などの演算子は、推論モードとトレーニング モードでは動作が異なります。

  1. ONNX への変換を実行するには、変換関数の呼び出しを main 関数に追加します。 モデルを再度トレーニングする必要はないので、実行する必要がなくなったいくつかの関数をコメント アウトします。 main 関数は次のようになります。
if __name__ == "__main__": 

    # Let's build our model 
    #train(5) 
    #print('Finished Training') 

    # Test which classes performed well 
    #testAccuracy() 

    # Let's load the model we just created and test the accuracy per label 
    model = Network() 
    path = "myFirstModel.pth" 
    model.load_state_dict(torch.load(path)) 

    # Test with batch of images 
    #testBatch() 
    # Test how the classes performed 
    #testClassess() 
 
    # Conversion to ONNX 
    Convert_ONNX()
  1. ツール バーの [Start Debugging] ボタンを選択するか F5 キーを押して、プロジェクトを再度実行します。 モデルを再度トレーニングする必要はありません。プロジェクト フォルダーから既存のモデルを読み込むだけです。

出力は次のようになります。

ONNX 変換プロセス

プロジェクトの場所に移動し、.pth モデルの横にある ONNX モデルを探します。

注

もっと詳しく知りたいですか? モデルのエクスポートに関する PyTorch チュートリアルを参照してください。

モデルを探索する

  1. Netron を使用して ImageClassifier.onnx モデル ファイルを開きます。

  2. "データ" ノードを選択して、モデルのプロパティを開きます。

ONNX モデルのプロパティ

ご覧のように、このモデルでは、入力として 32 ビットのテンソル (多次元配列) 浮動小数点数オブジェクトが必要であり、出力として Tensor float が返されます。 出力配列には、すべてのラベルの確率が含まれます。 このモデルの構築方法では、ラベルは 10 個の数値で表され、すべての数値がオブジェクトの 10 個のクラスを表します。

ラベル 0 ラベル 1 ラベル 2 ラベル 3 ラベル 4 ラベル 5 ラベル 6 ラベル 7 ラベル 8 ラベル 9
0 1 2 3 4 5 6 7 8 9
航空機 車 鳥 猫 鹿 犬 蛙 馬 船 トラック

Windows ML アプリで正しい予測を表示するには、これらの値を抽出する必要があります。

次のステップ

モデルをデプロイする準備ができました。 次に、メイン イベントである Windows アプリケーションのビルドと Windows デバイス上でのローカルの実行を行いましょう。