如何转化模型文件

导语

PaddlePaddle提供了丰富的运算单元，帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里，我们针对常见的机器学习任务，提供了不同的神经网络模型供大家学习和使用。本周推文目录如下：

3.19：【图像分类】

如何转化模型文件

3.20：【图像分类】

如何使用经典模型进行图像分类

3.21：【目标检测】

SSD目标检测

3.22：【场景文字识别】

场景文字识别

图像相比文字能够提供更加生动、容易理解及更具艺术感的信息，是人们转递与交换信息的重要来源。图像分类是根据图像的语义信息对不同类别图像进行区分，是计算机视觉中重要的基础问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础，在许多领域都有着广泛的应用。如：安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。

在图像分类任务中，我们向大家介绍如何训练AlexNet、VGG、GoogLeNet、ResNet、Inception-v4、Inception-Resnet-V2和Xception模型。同时提供了能够将Caffe或TensorFlow训练好的模型文件转换为PaddlePaddle模型文件的模型转换工具。

Part1

将Caffe模型文件转换为

PaddlePaddle模型文件

|使用说明

caffe2paddle.py提供了将Caffe训练的模型转换为PaddlePaddle可使用的模型的接口ModelConverter，其封装了图像领域常用的Convolution、BatchNorm等layer的转换函数，可以完成VGG、ResNet等常用模型的转换。模型转换的基本过程是：基于Caffe的Python API加载模型并依次获取每一个layer的信息，将其中的参数根据layer类型与PaddlePaddle适配后序列化保存（对于Pooling等无需训练的layer不做处理），输出可以直接为PaddlePaddle的Python API加载使用的模型文件。

可以按如下方法使用ModelConverter接口：

# 定义以下变量为相应的文件路径和文件名

caffe_model_file ="./ResNet-50-deploy.prototxt"

# Caffe网络配置文件的路径

caffe_pretrained_file ="./ResNet-50-model.caffemodel"

# Caffe模型文件的路径

paddle_tar_name ="Paddle_ResNet50.tar.gz"

# 输出的Paddle模型的文件名

# 初始化，从指定文件加载模型

converter = ModelConverter(caffe_model_file=caffe_model_file,

caffe_pretrained_file=caffe_pretrained_file,

paddle_tar_name=paddle_tar_name)

# 进行模型转换

converter.convert()

caffe2paddle.py中已提供以上步骤，修改其中文件相关变量的值后执行python caffe2paddle.py即可完成模型转换。此外，为辅助验证转换结果，ModelConverter中封装了使用Caffe API预测的接口caffe_predict，使用如下所示，将会打印按类别概率排序的(类别id, 概率)的列表：

# img为图片路径，mean_file为图像均值文件的路径

converter.caffe_predict(img="./cat.jpg", mean_file="./imagenet/ilsvrc_2012_mean.npy")

需要注意，在模型转换时会对layer的参数进行命名，这里默认使用PaddlePaddle中默认的layer和参数命名规则：以wrap_name_default中的值和该layer类型的调用计数构造layer name，并以此为前缀构造参数名，比如第一个InnerProduct层（相应转换函数说明见下方）的bias参数将被命名为___fc_layer_0__.wbias。

# 对InnerProduct层的参数进行转换，使用name值构造对应layer的参数名

# wrap_name_default设置默认name值为fc_layer

@wrap_name_default("fc_layer")

defconvert_InnerProduct_layer(self, params, name=None)

为此，在验证和使用转换得到的模型时，编写PaddlePaddle网络配置无需指定layer name并且要保证和Caffe端模型使用同样的拓扑顺序，尤其是对于ResNet这种有分支的网络结构，要保证两分支在PaddlePaddle和Caffe中先后顺序一致，这样才能够使得模型参数正确加载。

如果不希望使用默认的命名，并且在PaddlePaddle网络配置中指定了layer name，可以建立Caffe和PaddlePaddle网络配置间layer name对应关系的dict并在调用ModelConverter.convert时作为name_map的值传入，这样在命名保存layer中的参数时将使用相应的layer name，不受拓扑顺序的影响。另外这里只针对Caffe网络配置中Convolution、InnerProduct和BatchNorm类别的layer建立name_map即可（一方面，对于Pooling等无需训练的layer不需要保存，故这里没有提供转换接口；另一方面，对于Caffe中的Scale类别的layer，由于Caffe和PaddlePaddle在实现上的一些差别，PaddlePaddle中的batch_norm层是BatchNorm和Scale层的复合，故这里对Scale进行了特殊处理）。

Part2

将TensorFlow模型文件转换为

PaddlePaddle模型文件

|1.使用说明

tf2paddle.py脚本中的工具类TFModelConverter实现了将TensorFlow训练好的模型文件转换为PaddlePaddle可加载的模型文件。目前能够支持图像领域常用的：卷积（Convolution）层、Batch Normalization层和全连接（Full Connection）层。图像领域常用的ResNet VGG网络都以这些层此为基础，使用TensorFlow训练的ResNet和VGG模型能够被转换为PaddlePaddle可加载的模型，进一步用于预训练或是预测服务的开发等。

模型转换的基本流程是：

将TensorFlow模型等价地使用PaddlePaddle Python API接口进行改写。

在TensorFlow中可学习参数用Variable表示，基于TensorFlow的Python API获取网络中的 Variable。

确定TensorFlow模型中Variable与PaddlePaddle中paddle.layer的可学习参数的对应关系。

对TensorFlow中的Variable进行一定的适配（详见下文），转化为PaddlePaddle中的参数存储格式并进行序列化保存。

|2. 需要遵守的约定

为使TensorFlow模型中的Variable能够正确对应到paddle.layer中的可学习参数，目前版本在使用时有如下约束需要遵守：

目前仅支持将TensorFlow中conv2d，batchnorm，fc这三种带有可学习Variable的Operator训练出的参数向PaddlePaddle模型参数转换。

TensorFlow网络配置中同一Operator内的Variable属于相同的scope，以此为依据将Variable划分到不同的paddle.layer。

conv2d、batchnorm、fc的scope需分别包含conv、bn、fc，以此获取对应paddle.layer的类型。也可以通过为TFModelConverter传入layer_type_map的dict，将scope映射到对应的paddle.layer的type来规避此项约束。

conv2d、fc中Variable的顺序为：先可学习Weight后Bias；batchnorm中Variable的顺序为：scale、shift、mean、var，请注意参数存储的顺序将Variable对应到paddle.layer.batch_norm相应位置的参数。

TensorFlow网络拓扑顺序需和PaddlePaddle网络拓扑顺序一致，尤其注意网络包含分支结构时分支定义的先后顺序，如ResNet的bottleneck模块中两分支定义的先后顺序。这是针对模型转换和PaddlePaddle网络配置均使用PaddlePaddle默认参数命名的情况，此时将根据拓扑顺序进行参数命名。

若PaddlePaddle网络配置中需要通过调用param_attr=paddle.attr.Param(name="XX"))显示地设置可学习参数名字，这时可通过为TFModelConverter传入layer_name_map或param_name_map字典（类型为Pythondict），在模型转换时将Variable的名字映射为所对应的paddle.layer.XX中可学习参数的名字。

要求提供build_model接口以从此构建TensorFlow网络，加载模型并返回session。可参照如下示例进行编写：

defbuild_model():

build_graph()

sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True))

sess.run(tf.tables_initializer())

saver = tf.train.Saver()

saver.restore(sess,'model/model.ckpt')

return sess

按照以上原则操作后，tf2paddle.py脚本的main函数提供了一个调用示例，将TensorFlow训练的ResNet50模型转换为PaddlePaddle可加载模型。若要对其它各种自定义的模型进行转换，只需修改相关变量的值，在终端执行python tf2paddle.py即可。

下面是一个简单的调用示例：

# 定义相关变量

tf_net ="TF_ResNet50"

# 提供build_model的module名

paddle_tar_name ="Paddle_ResNet50.tar.gz"

# 输出的Paddle模型的文件名

# 初始化并加载模型

converter = TFModelConverter(tf_net=tf_net,

paddle_tar_name=paddle_tar_name)

# 进行模型转换

converter.convert()

|3. 注意事项

end

*原创贴，版权所有，未经许可，禁止转载

*值班小Paddle：wangp

*欢迎在留言区分享您的观点

*为了方便大家问题的跟进解决，我们采用Github Issue来采集信息和追踪进度。大家遇到问题请搜索Github Issue，问题未解决请优先在Github Issue上提问，有助于问题的积累和沉淀