PyTorch 모델을 ONNX 형식으로 변환

이 자습서의 이전 단계에서는 PyTorch를 사용하여 기계 학습 모델을 만들었습니다. 그러나 해당 모델은 .pth 파일입니다. Windows ML 앱과 통합하려면 모델을 ONNX 형식으로 변환해야 합니다.

모델 내보내기

모델을 내보내려면 torch.onnx.export() 함수를 사용합니다. 이 함수는 모델을 실행하고, 출력을 계산하는 데 사용되는 연산자의 추적을 기록합니다.

1. main 함수 위 Visual Studio의 DataClassifier.py 파일에 다음 코드를 복사합니다.

#Function to Convert to ONNX 
def convert(): 

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

    # Let's create a dummy input tensor  
    dummy_input = torch.randn(1, 3, 32, 32, requires_grad=True)  

    # Export the model   
    torch.onnx.export(model,         # model being run 
         dummy_input,       # model input (or a tuple for multiple inputs) 
         "Network.onnx",       # where to save the model  
         export_params=True,  # store the trained parameter weights inside the model file 
         opset_version=11,    # the ONNX version to export the model to 
         do_constant_folding=True,  # whether to execute constant folding for optimization 
         input_names = ['input'],   # the model's input names 
         output_names = ['output'], # the model's output names 
         dynamic_axes={'input' : {0 : 'batch_size'},    # variable length axes 
                                'output' : {0 : 'batch_size'}}) 
    print(" ") 
    print('Model has been converted to ONNX') 

모델을 유추 모드로 설정하기 때문에 모델을 내보내기 전에 model.eval() 또는 model.train(False)을 호출하는 것이 중요합니다. dropout 또는 batchnorm과 같은 연산자는 유추 및 학습 모드에서 다르게 동작하기 때문에 필요합니다.

2. ONNX로 변환을 실행하려면 변환 함수에 대한 호출을 main 함수에 추가합니다. 모델을 다시 학습할 필요가 없으므로 더 이상 실행할 필요가 없는 일부 함수를 주석으로 달겠습니다. main 함수는 다음과 같습니다.

if __name__ == "__main__": 
    num_epochs = 10 
    train(num_epochs) 
    print('Finished Training\n') 
    test() 
    test_species() 
    convert() 

3. 도구 모음에서 Start Debugging 단추를 선택하거나 F5를 눌러 프로젝트를 다시 실행합니다. 모델을 다시 학습할 필요가 없으며 프로젝트 폴더에서 기존 모델을 로드하기만 하면 됩니다.

프로젝트 위치로 이동하여 .pth 모델 옆에 있는 ONNX 모델을 찾습니다.

참고 항목

더 알아보고 싶으신가요? 모델 내보내기에 대한 PyTorch 자습서를 검토합니다.

모델을 탐색합니다.

1. Neutron을 통해 Network.onnx 모델 파일을 엽니다.

2. 데이터 노드를 선택하여 모델 속성을 엽니다.

보시는 것처럼, 모델에는 32비트 텐서(다차원 배열) float 개체가 입력으로 필요하며, Tensor float을 출력으로 반환합니다. 출력 배열에는 모든 레이블에 대한 가능성이 포함됩니다. 모델을 빌드하는 방식에서 레이블은 각각 특정 종류의 붓꽃과 관련된 3개의 숫자로 표시됩니다.

레이블 1	레이블 2	레이블 3
0	1	2
부채붓꽃(Iris-setosa)	버시컬러 붓꽃(Iris-versicolor)	버지니카 붓꽃(Iris-virginica)

Windows ML 앱을 사용하여 올바른 예측을 표시하려면 이러한 값을 추출해야 합니다.

다음 단계

모델을 배포할 준비가 되었습니다. 다음으로 기본 이벤트의 경우 Windows 애플리케이션을 빌드하고 Windows 디바이스에서 로컬로 실행해 보겠습니다.