pytorch导出onnx格式模型时,不固定输入输出维度

本文介绍如何将PyTorch模型转换为ONNX格式,并实现输入输出维度的动态调整。通过修改ONNX模型文件中维度参数的方式,使得模型能够接受不同大小的输入数据。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Pytorch模型转换为onnx格式模型后,模型的输入、输出维度跟转换模型时,用的dummy_input的维度有关系,属于固定尺寸的输入与输出。可以采用以下代码修改onnx模型的输入输出维度:

import onnx
 
model = onnx.load('xxx.onnx')
# 此处可以理解为获得了一个维度 “引用”,通过该 “引用“可以修改其对应的维度                                                                                          
dim_proto0 = model.graph.input[0].type.tensor_type.shape.dim[1]
# 将该维度赋值为字符串,其维度不再为和dummy_input绑定的值
dim_proto0.dim_param = 'input.0_1' # 或者 '?' 感觉只要是非数字即可
# 同理,修改输出相应维度
dim_proto_o1 = model.graph.output[0].type.tensor_type.shape.dim[1]
dim_proto_o1.dim_param = 'output.0_1' # 或者 '?' 感觉只要是非数字即可
onnx.save(model, 'dynamic_input_xxx.onnx')

但是这种方式,也跟网络结构有关系,最近在弄的一个网络结构,pytorch转换onnx后中间部分节点的输入输出是死的,所以这种只修改输入输出节点维度的情况,内部有可能还是存在问题的。

model = onnx.load('model.onnx')
model.graph.input[0].type.tensor_type.shape.dim[0].dim_param = '?'
onnx.save(model, 'dynamic_model.onnx')

 

### 将具有多输入和动态维度PyTorch模型转换为ONNX格式 为了实现这一目标,需注意几个关键点: - **指定多个输入**:当模型接收多个输入,在调用`torch.onnx.export()`之前应准备好这些输入,并作为元组传递给该函数。 - **设置动态轴**:通过配置`dynamic_axes`参数允许特定维度的变化。这使得生成的ONNX文件能够适应同尺寸的数据集。 下面是一个具体的例子展示如何完成此操作[^2][^4]: 假设有一个接受两个张量作为输入的自定义网络类 `MyNet` ,其中一个用于图像数据(形状 `[N,C,H,W]`),另一个可能是额外的信息向量(形状 `[N,D]`)。这里 N 表示批次大小,C 是颜色通道数,H 和 W 分别代表高度和宽度,D 则指定了附加特征的数量。 #### 定义并加载预训练好的 PyTorch 模型 ```python import torch from collections import OrderedDict class MyNet(torch.nn.Module): def forward(self, img_input, aux_info): # 假设这里的逻辑会处理这两个输入... pass # 实例化模型对象 model = MyNet() # 如果有保存下来的权重,则加载它们 state_dict = torch.load('path_to_weights.pth') model.load_state_dict(state_dict) # 设置评估模式 model.eval() ``` #### 准备测试样本以及构建输入字典 ```python dummy_img = torch.randn((1, 3, 224, 224)) # 图像输入占位符 dummy_aux = torch.randn((1, 5)) # 辅助信息输入占位符 example_inputs = (dummy_img, dummy_aux) # 多个输入打包成tuple形式 named_outputs = ['output'] # 输出节点名列表 ``` #### 使用 `torch.onnx.export()` ```python dynamic_axes = { "img_input": {0: 'batch_size'}, # 对于第一个输入(img_input), 批次大小是可变的 "aux_info": {0: 'batch_size'}, # 同样对于第二个输入(aux_info),批次大小也是可变的 } with torch.no_grad(): torch.onnx.export( model, example_inputs, './my_model.onnx', input_names=['img_input', 'aux_info'], output_names=named_outputs, opset_version=11, do_constant_folding=True, dynamic_axes=dynamic_axes # 添加动态轴支持 ) ``` 上述代码片段展示了完整的流程,从创建模拟输入到最终导出 ONNX 文件。特别需要注意的是 `dynamic_axes` 参数的应用方式——它被用来指示哪些维度应该被认为是灵活变动的,从而让所得到的 ONNX 模型可以在运行期间调整其输入/输出张量的具体尺度。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值