mindspore框架实现ckpt模型导出ONNX格式

最新推荐文章于 2025-03-14 17:00:37 发布
原创 最新推荐文章于 2025-03-14 17:00:37 发布 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#onnx #mindspore

mindspore框架保存及加载模型

  1. 详细流程：昇思-保存及加载模型

  2. 关键步骤
    在这里插入图片描述

  3. 关键代码

from mindspore import export, load_checkpoint, load_param_into_net
from mindspore import Tensor
import numpy as np
from MobileNet2GarbageCls.MobileNetv2 import *
最低0.47元/天 解锁文章
mindspore模型训练和模型导出为onnx
大鱼的博客
02-24 2567
mindspore是华为深度学习框架，网址为：https://www.mindspore.cn/ 本代码主要参考快速入门的代码，加了模型导出为onnx mindspore在模型搭建上基本上的语法和pytorch差不多 只是分为了网络和模型，模型主要拿来训练和预测，而网络就是单纯的网络，网络可以拿来导出模型文件，但是预测只能使用模型 训练代码如下： # -*- coding: utf-8 -*- import os import mindspore.nn as nn from mindspore.
Mindspore导出onnx并借助ATC工具转OM模型
weixin_56314292的博客
07-18 3243
二、利用ATC工具将onnx转成om模型，这里我是在200dk A2开发板上直接转的，此开发板是自带atc工具的，转om指令如下：这里需要注意的是用netron打开onnx模型看下，输入端写的啥，写的x就写x：写的image就把x改成image，version那里就对应自己的华为开发板是啥，可以在开发板里面输入 npu-smi info 查看卡的类型，Ascend301B的卡就是我这个指令。注意：开发板需要先分区资源，不然运行不出来，开发板教程参考：这里只需要配开发板环境和创建分区，里面不用装conda。
人脸识别：史上最详细人脸识别adaface讲解-ckpt转onnx模型--第三节
xingjh1的博客
09-07 3860
这章节我会讲解的是我在工作上的项目，人脸识别adaface，以下的讲解为个人的看法，若有地方说错的我会第一时间纠正，如果觉得博主讲解的还可以的话点个赞，就是对我最大的鼓励~
tensorflow/Keras 实现将 ckpt(h5) 转 pb 转 onnx文件
红叶谷 wsp_1138886114的博客
09-22 2390
from keras import backend as K from keras.models import Sequential from keras.layers.core import Flatten, Dense, Dropout from keras.layers.convolutional import Conv2D, MaxPooling2D, ZeroPadding2D from...
【mindspore】【mindspore导出onnx】报类型转换错误
weixin_45666880的博客
06-30 363
问题描述：【操作步骤&问题现象】代码: gitee中的mindspore/models/research/cv/advanced_east/export.py research/cv/advanced_east · MindSpore/models - 码云 - 开源中国 (gitee.com)ckpt：mindspore hub中获取 MindSpore官网运行环境: cpu【截图信息】 解答：将kernel_size以tuple类型传入ops.Conv2D即可。 原因是model.py部分使用了ops.
如何将MindSpore模型转ONNX格式并使用OnnxRuntime推理---全流程开发指导
skytttttt9394的博客
08-11 1381
使用服务器链接软件在同一个连接会话中，依次连续sshsshssh输入ls，到达此界面即为连接成功！本次Onnx模型推理和导出项目整体难度不大，由于大部分模型都是基于卷积神经网络，各种模型中的算子具有高度重复性，因此可能有很多人选到的模型是所有算子都已经实现的，这种情况下只需要依据指南完成精度推理和交付件编写即可。若开发中遇到问题（如ckpt文件精度不对，需要申请训练资源）请联系华为负责工程师吴工（吴逸群）。预祝大家本次Onnx项目开发顺利，早日提交交付件，都能评上金质量奖！！！...
使用MindSpore将保存的模型导出
weixin_45666880的博客
07-03 1037
需要安装MindSpore工具包进行下面操作。MindSpore安装地址：https://www.mindspore.cn/install/ 在使用MindSpore进行模型训练过程后，如果想继续在不同硬件平台上做推理，可通过网络和CheckPoint格式文件生成对应的MINDIR、AIR和ONNX格式文件。 MINDIR：MindSpore框架的一种基于图表示的函数式IR，其最核心的目的是服务于自动微分变换，目前可用于MindSpore Lite端侧推理。 AIR：全称Ascend Intermed
【昇腾】常用训练框架导出ONNX，（高能）大于2GB的模型如何导出ONNX
Huatee的专栏
01-06 1975
虽然大模型兴起后，各种大模型加速方案兴起，但还是有很多小规模（2B以下）的模型基于ONNX方案，特别是传统CV、语音、NLP等场景，也包括Transformer结构的小规模参数模型。基于PyTorch、MindSpore和TensorFlow等框架将模型训练完成后，将模型转成ONNX，部署在中心或者边缘AI产品上。下面就讲下各训练框架训练好的模型如何保存为ONNX文件。由于受protobuf限制，通常只能保存小于2GB的ONNX模型文件。如何解决这个问题呢，今天给出一个方法。
Mindspore框架循环神经网络RNN模型实现情感分类|（五）模型训练
人工智能视觉分析算法学习实践和经验分享。
07-24 516
Mindspore框架循环神经网络RNN模型实现情感分类|（五）模型训练与推理Mindspore框架循环神经网络RNN模型实现情感分类|（六）模型加载和推理（情感分类模型资源下载）
tensorflow-onnx：将TensorFlow模型转换为ONNX
02-06
tf2onnx-将TensorFlow模型转换为ONNX。 构建类型 操作系统 Python 张量流 Onnx Opset 状态 单元测试-基本 Linux，MacOS * ，Windows * 3.6、3.7、3.8 1.12-1.15、2.1-2.4 7-13 单元测试-完整 Linux，MacOS，Windows 3.6、3.7、3.8 1.12-1.15、2.1-2.4 7-13 支持的版本 ONNX tensorflow-onnx将使用系统上安装的ONNX版本，如果未找到，则安装最新的ONNX版本。 我们支持ONNX opset-6至opset-13。 默认情况
mindspore 模型导出ONNX模型失败
weixin_45666880的博客
07-14 399
脚本如下： 报错信息如下 解答：不支持的，当前MindSpore的onnx格式导出只支持resnet系列的网络。
torch.onnx.export():将pytorch模型转换为.onnx模型
热门推荐
QFJIZHI的博客
04-01 4万+
torch.onnx.export(model, args, f, export_params=True, verbose=False, training=False, input_names=None, output_names=None, aten=False, export_raw_ir=False, operator_export_type=None, opset_version=Non...
mindspore1.6训练模型转ONNX报错
weixin_45666880的博客
06-13 505
问题描述：【操作步骤&问题现象】使用mindspore1.6将ckpt文件转为onnx时报错，提示“Can not find key Conv2DTranspose in convert map.Exporting Conv2DTranspose operator is not yet supported.”【日志信息】（可选，上传日志内容或者附件）Traceback (most recent call last):File "F:/mind_spore/UNet_Plus_Plus_for_MindSpo
将tensorflow 1.x & 2.x转化成onnx文件（以arcface-tf2人脸识别模型为例）
qq_33934427的博客
03-28 8033
将tensorflow 1.x & 2.x转化成onnx文件 文章目录将tensorflow 1.x & 2.x转化成onnx文件一、tensorflow 1.x转化成onnx文件1、ckpt文件生成2、打印权重参数名称3、ckpt文件转pb4、ckpt文件转onnx（--checkpoint）二、tensorflow 2.x转化成onnx文件1、ckpt转savemodel（pb）1）错误用法（不能冻结权重生成pb）2）正确用法（saved_model）2、pb转onnx3、小总结（★★★
MindSpore源码精读之ckpt及safetensors权重保存流程
Kenji_Shinji的博客
03-14 1179
Protocol Buffers（简称 Protobuf）是由 Google 开发的一种与语言无关、平台无关、可扩展的序列化结构数据的方法。它允许你定义数据的结构，然后使用特殊生成的源代码轻松地在各种数据流中使用各种语言对结构化数据进行序列化和反序列化。Protobuf 的工作流程主要分为以下几个步骤：首先，使用.proto文件定义数据结构，这类似于定义一个类或结构体。在这个例子中，我们定义了一个名为Personname（字符串类型）、age（32 位整数类型）和email（字符串类型）。
PyTorch 模型转换为 ONNX 格式
AI 音频小牛的博客
11-28 1995
在 C++ 进行深度学习模型的工程化时，选择 ONNX 格式通常更为合适，因为它提供了更好的跨平台兼容性和灵活性。PTH 格式虽然在 PyTorch 环境中非常方便，但在 C++ 中的使用受到限制，通常需要额外的转换步骤。ONNX 的开放性和广泛支持使其成为在多种环境中部署深度学习模型的首选格式。
MindSpore保存模型的格式疑惑
weixin_45666880的博客
11-04 507
MindSpore支持保存两种类型的数据：训练参数和网络模型（模型中包含参数信息）。请问MindSpore保存模型的格式和TensorFlow一样为.ckpt吗？那导出为onnx格式后进行模型转换的.om格式又是什么？网络模型包括MindIR、AIR和ONNX三种格式文件。训练参数指的是Checkpoint格式文件。
导出模型训练结果
最新发布
03-25
<think>好的，用户的问题是关于如何导出机器学习模型的训练结果，特别是保存模型权重。我需要根据提供的引用内容来整理一个清晰的回答。首先，我要确认用户的需求是什么，他们可能刚训练完一个模型，想要保存下来以便后续使用或部署。用户提到的“文件格式保存模型权重”是关键点，所以需要重点解释不同的保存方法及其对应的文件格式。 接下来，我需要查阅提供的引用内容。引用2和3提到了使用pickle和joblib保存模型，引用5讨论了权重文件的保存与加载，而引用4则介绍了不同框架如MindSpore支持的格式如MINDIR、AIR、ONNX。引用1和5还提到了TensorFlow的保存方式，比如保存为HDF5格式或CheckPoint。 首先，我应该分点说明不同的方法。可能的结构是按库或框架来分，比如使用pickle/joblib、TensorFlow/Keras、PyTorch、MindSpore等。每个部分要说明具体的代码示例和保存后的文件格式。同时，需要注意用户可能对某些术语不太熟悉，比如CheckPoint、HDF5等，需要简要解释。 然后，用户可能需要知道不同格式的适用场景，比如ONNX适合跨平台部署，HDF5是Keras的标准格式等。这部分可以结合引用4的内容，说明各种格式的特点。 另外，引用5中提到，如果只需要权重，可以仅保存权重而不包括优化器状态等信息，这点需要特别指出，因为用户可能希望减小文件大小或简化部署流程。 需要确保所有代码示例正确，并且格式符合要求，行内公式用$...$，独立公式用$$...$$，但这个问题可能不涉及数学公式，所以重点放在代码块和文件格式说明上。同时，用户要求用中文回答，所以所有解释都需要用中文，并且结构清晰，分步骤说明。 最后，生成相关问题时要考虑用户可能的后续疑问，比如如何加载模型、不同格式的转换、性能优化等。例如，如何加载保存的模型权重，如何转换模型到TFLite格式，如何量化权重等。 现在需要整合这些信息，确保每个部分都覆盖到，并且引用正确的来源。比如，当提到TensorFlow的保存方法时，引用1和5；当提到MindSpore时，引用4。同时，注意引用标识的位置，如[^2]、[^5]等需要放在对应的段落末尾。 可能还需要检查是否有遗漏的方法，比如PyTorch的保存方式是否在引用中提到。根据引用3，PyTorch有自己的机制，但具体例子可能需要补充。不过根据提供的引用，可能没有PyTorch的具体代码，所以可能需要用通用说明。 总结步骤： 1. 介绍常用的保存方法，分库/框架说明。 2. 每个方法提供代码示例和文件格式。 3. 强调仅保存权重的情况。 4. 提及不同格式的应用场景。 5. 生成相关问题。 需要确保所有信息准确，并正确引用来源。现在开始组织语言，确保回答结构清晰，符合用户的要求。</think>### 如何导出机器学习模型的训练结果（模型权重文件） 导出模型训练结果的核心在于选择适合框架的保存方法，并理解不同文件格式的适用场景。以下是分步骤说明： --- #### 1. **通用方法：使用`pickle`或`joblib`** - **适用场景**：小型模型或非深度学习框架（如scikit-learn）。 - **代码示例**： ```python import pickle # 保存完整模型（含权重） with open('model.pkl', 'wb') as file: pickle.dump(model, file) # [^2] ``` - **文件格式**：`.pkl`（pickle二进制文件）。 - **特点**：简单但兼容性有限，需确保加载环境与保存环境一致[^3]。 --- #### 2. **TensorFlow/Keras：保存权重或完整模型** - **仅保存权重**： ```python model.save_weights('model_weights.h5') # HDF5格式[^5] ``` - **保存完整模型（含结构和权重）**： ```python model.save('full_model.h5') # 标准HDF5格式[^1] ``` - **部署优化**：导出为TFLite格式（适用于移动端）： ```python converter = tf.lite.TFLiteConverter.from_keras_model(model) tflite_model = converter.convert() with open('model.tflite', 'wb') as f: f.write(tflite_model) # ``` --- #### 3. **PyTorch：保存权重或CheckPoint** - **仅保存权重**： ```python torch.save(model.state_dict(), 'model_weights.pth') ``` - **保存完整训练状态（含优化器）**： ```python torch.save({ 'model_state_dict': model.state_dict(), 'optimizer_state_dict': optimizer.state_dict() }, 'checkpoint.pth') # ``` --- #### 4. **MindSpore：导出为跨平台格式** - **保存CheckPoint**： ```python from mindspore import save_checkpoint save_checkpoint(model, 'model.ckpt') # 包含权重和训练状态[^4] ``` - **导出推理格式**： - **MINDIR**：适配MindSpore Lite端侧推理。 - **ONNX**：跨框架通用格式，支持多平台部署。 --- #### 5. **权重量化与压缩** - **量化**：减少模型大小并提升推理速度（如TFLite量化）： ```python converter.optimizations = [tf.lite.Optimize.DEFAULT] quantized_model = converter.convert() # [^1] ``` - **仅保留权重**：加载完整模型后重新导出权重文件以减小体积。 --- ### 不同文件格式对比 | 格式 | 适用场景 | 特点 | |-----------|---------------------------|-------------------------------| | `.h5` | TensorFlow/Keras | 标准权重/模型存储 | | `.tflite` | 移动端/嵌入式设备 | 轻量化、支持量化 | | `.onnx` | 跨框架推理（如PyTorch→TensorFlow） | 开放性、硬件兼容性好 | | `.ckpt` | MindSpore训练恢复 | 包含优化器状态和超参数 | ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

柏常青

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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