共用方式為

將 PyTorch 模型轉換為 ONNX 格式

在本 教學課程的上一個階段中，我們使用 PyTorch 來建立機器學習模型。 不過，該模型是檔案 .pth 。 若要能夠將其與 Windows ML 應用程式整合，您必須將模型轉換成 ONNX 格式。

匯出模型

若要匯出模型，您將使用 函式 torch.onnx.export() 。 此函式會執行模型，並記錄在計算輸出的過程中使用的操作符追蹤。

  1. 將下列程式代碼 DataClassifier.py 複製到 Visual Studio 中的檔案，位於您的 main 函式上方。
#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')

請務必在導出模型之前呼叫 model.eval() 或 model.train(False) ，因為這會將模型設定為 推斷模式。 這是必要的，因為運算符類似 dropout 或 batchnorm 的行為在推斷和定型模式上不同。

  1. 若要執行對 ONNX 的轉換，請將對轉換函式的呼叫新增至 main 函式。 您不需要再次訓練模型，因此我們會將不再需要執行的一些函式註解掉。 您的主要職責如下。
if __name__ == "__main__": 
    num_epochs = 10 
    train(num_epochs) 
    print('Finished Training\n') 
    test() 
    test_species() 
    convert()
  1. 再次執行專案，請選取工具列上的 Start Debugging 按鈕或按下 F5。 不需要再次定型模型，只要從專案資料夾載入現有的模型即可。

流覽至您的專案位置，尋找 .pth 模型旁邊的 ONNX 模型。

備註

有興趣深入瞭解嗎？ 檢閱 導出 mdoel 的 PyTorch 教學課程。

探索您的模型。

  1. 使用 Neutron 開啟Network.onnx模型檔案。

  2. 選取 數據 節點以開啟模型屬性。

ONNX 模型屬性

如您所見，模型需要以 32 位元浮點數的張量（多維陣列）物件作為輸入，並返回張量浮點數作為輸出。 輸出陣列將包含每個標籤的機率。 您建置模型的方式，標籤會以3個數位表示，每個數位都與特定類型的鳶尾花相關聯。

標籤 1 標籤 2 標籤 3
0 1 2
鳶尾花 花斑鳶尾花 維吉尼亞鳶尾花

您必須擷取這些值，才能使用Windows ML 應用程式顯示正確的預測。

後續步驟

我們的模型已準備好部署。 接下來，針對主要事件 - 讓我們建置 Windows 應用程式，並在您的 Windows 裝置本機執行。