在本教程的上一阶段中，我们使用 PyTorch 创建了机器学习模型。 但是，该模型是一个 .pth 文件。 若要将其与 Windows ML 应用集成，需要将模型转换为 ONNX 格式。
导出模型
要导出模型，你将使用 torch.onnx.export() 函数。 此函数执行模型，并记录用于计算输出的运算符的跟踪。
- 将 main 函数上方的以下代码复制到 Visual Studio 中的
DataClassifier.py文件中。
#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')
在导出模型之前必须调用 model.eval() 或 model.train(False)，因为这会将模型设置为“推理模式”。 这是必需的，因为 dropout 或 batchnorm 等运算符在推理和训练模式下的行为有所不同。
- 要运行到 ONNX 的转换，请将对转换函数的调用添加到 main 函数。 无需再次训练模型，因此我们将注释掉一些不再需要运行的函数。 main 函数将如下所示。
if __name__ == "__main__":
num_epochs = 10
train(num_epochs)
print('Finished Training\n')
test()
test_species()
convert()
- 选择工具栏上的
Start Debugging按钮或按F5再次运行项目。 无需再次训练模型，只需从项目文件夹中加载现有模型即可。
导航到项目位置并找到 .pth 模型旁边的 ONNX 模型。
注释
想要了解更多内容？ 查看 有关导出 mdoel 的 PyTorch 教程。
导出模型。
使用 Neutron 打开
Network.onnx模型文件。选择数据节点，打开模型属性。
如你所见，该模型需要一个 32 位张量（多维数组）浮点对象作为输入，并返回一个 Tensor 浮点作为输出。 输出数组将包括每个标签的概率。 构建模型的方式，标签由 3 个数字表示，每个数字与特定类型的虹膜花相关联。
| 标签 1 | 标签 2 | 标签 3 |
|---|---|---|
| 0 | 1 | 2 |
| 鸢尾花-setosa | Iris-versicolor (异色鸢尾) | 鸢尾花-维珍卡 |
你将需要提取这些值来显示 Windows ML 应用的正确预测。
后续步骤
模型已准备就绪，可供部署。 接下来，主要事件是构建一个 Windows 应用程序并在 Windows 设备上在本地运行它。