问题标签 [onnx]

我正在尝试将 SageMaker XGBoost 模型转换为 ONNX，以便在使用 ML.NET 的 .Net 应用程序中使用 ONNX 模型。我尝试使用转换模型winmltools，onnxmltools但两个工具都返回了类似的错误。

有一个很好的资源可以在商业领域使用机器学习。我尝试在 SageMaker 中使用机器学习来提高销售额来创建模型，然后将模型转换为 ONNX 模型。该示例在 SageMaker 中运行良好。

运行示例后，我得到了一个模型，模型的类型为sagemaker.estimator.Estimator. 我尝试使用winmltoolsand转换模型onnxmltools。但两者都返回相同的错误。

ValueError: No proper operator name found for '<class 'sagemaker.estimator.Estimator'>'

我尝试使用 WinMLTools 将 ML 模型转换为 ONNX，并且ONNXMLTools 允许将模型转换为 ONNX以将 SageMaker 模型转换为 ONNX 模型。

之后，我使用xgb.create_model()命令创建 SageMaker 模型。然后使用工具将模型转换为 ONNX。但没有运气。这次我得到了同样的错误。只是型号不同。

ValueError: No proper operator name found for '<class 'sagemaker.model.Model'>'

然后我使用加载模型pickle并尝试转换模型。我得到了同样的错误，只是型号不同。

ValueError: No proper operator name found for '<class 'xgboost.core.Booster'>'

目前，我对这些问题一无所知。我应该如何解决这些问题。我已将改进销售分类附加到 ONNX 笔记本文件以供参考。你能看看这些问题，让我知道解决问题的方法吗？提前致谢！

sklearn我使用该库创建了一个非常基本的决策树。这棵树基于 4 个特征进行训练：

并且标签/目标特征是一个布尔值（0 或 1）。

我将树转换为一种ONNX格式，现在我想使用该onnxruntime python库进行预测。我在互联网上找到了执行此操作的示例代码。问题是我不完全理解这段代码、函数和参数的所有部分到底发生了什么。这导致我得到一个错误。我确实搜索了一些文档，但我找不到这个。

在下面的代码中，我将树模型转换为ONNX格式。这是成功的，但部分代码我不明白。在initial_type变量中，根据我之前提到的 4 个特征列和标签/目标特征，我必须在此处输入什么？现在我进入了FloatTensorType([None, 4]，因为我有 4 个特征列，None我不知道是什么。

在下面的代码中，我想使用该onnxruntime库进行预测，但出现此错误：

这是因为我不明白下面的最后一行代码。我输入这个{input_name: [4, 8, 77.8, 143.45]是因为这是特征列的四个值。我在这里做错了什么？

我对如何计算这个卷积及其输出维度有一些疑问。我熟悉使用 nxm 内核的简单卷积，使用步幅、膨胀或填充，这不是问题，但这个尺寸对我来说似乎很奇怪。由于我使用的模型是众所周知的 onnx-mnist，我认为它是正确的。

所以，我的观点是：

• 如果输入的尺寸为 1x1x28x28，那么输出 1x8x28x28 的尺寸如何？
• W 表示内核。怎么可能是 8x1x5x5？据我所知，第一个维度是批量大小，但这里我只是用 1 个输入进行推理。这有意义吗？
• 我正在从头开始实现这个卷积运算符，到目前为止它适用于 1x1x28x28 和 1x1x5x5 的内核，但额外的维度对我来说没有意义。

找到附加的我正在尝试做的卷积，希望不是太onnx具体。

这将是一个很长的帖子，提前抱歉......

我正在研究去噪算法，我的目标是：

• 使用 PyTorch 设计/训练模型
• 将 PyTorch 模型转换为 CoreML 模型

去噪算法由以下3个部分组成：

• 1. “下采样”+ 噪声级别图
• 2. 一个常规的卷积网络
• 3. “上采样”

第一部分的想法很简单，但并不那么容易解释。例如，给定一个输入彩色图像和一个表示图像噪声标准偏差的输入值“sigma”。“下采样”部分实际上是空间到深度。简而言之，对于给定的通道和 2x2 像素的子集，空间到深度创建由 4 个通道组成的单个像素。通道数乘以 4，而高度和宽度除以 2。数据被简单地重新组织。噪声水平图包括创建 3 个包含标准偏差值的通道，以便卷积网络知道如何正确地对输入图像进行去噪。使用一些代码可能会更清楚：

然后将此函数作为模型函数的第一步forward调用：

让我们考虑一个大小为 1x3x100x100（PyTorch 标准：批处理、通道、高度、宽度）的输入张量和 0.1 的 sigma 值。输出张量具有以下属性：

• 张量的形状是 1x15x50x50
• 通道 0、1 和 2 的张量值都等于 sigma = 0.1
• 通道 3、4、5、6 的张量值由通道 0 的输入图像值组成
• 通道 7、8、9、10 的张量值由通道 1 的输入图像值组成
• 通道 11、12、13、14 的张量值由通道 2 的输入图像值组成

如果这段代码不够清晰，我可以发布一个更幼稚的版本。

上采样部分是下采样部分的倒数函数。

我能够使用此功能在 PyTorch 中进行训练和测试。

然后，我尝试使用 ONNX 作为中间步骤将模型转换为 CoreML。转换为 ONNX 会生成“TracerWarning”。从 ONNX 到 CoreML 的转换失败（TypeError：1.0 的类型为 numpy.float64，但预期为以下之一：int、long）。问题来自下采样+噪声级别图（也来自上采样）。

当我移除下采样 + 噪声级别图和上采样层时，我能够非常轻松地转换为 ONNX 和 CoreML，因为只剩下一个简单的卷积网络。这意味着我有一个解决问题的方法：在移动端使用 2 个着色器实现这 2 个图层。但我对这个解决方案不满意，因为我希望我的模型包含所有层 ^^

在考虑在这里写一篇文章之前，我爬网寻找答案，我能够使用reshapeand编写一个更好的版本permute。这个版本去掉了所有的 ONNX 警告，但是 CoreML 转换还是失败了...

所以这里是（一些）我的问题：

• 在模型中实现函数（例如downsample_and_noise_map函数）的首选 PyTorch 方法是什么？
• 同样的问题，但是当转换为 ONNX 然后转换为 CoreML 是等式的一部分？
• PyTorch -> ONNX -> CoreML 仍然是为 iOS 生产部署模型的最佳途径吗？

感谢您的帮助（和您的耐心）^^

谁能告诉我如何使用 onnx 模型在 Arm NN android 上运行推理。在 armnn 网站上，我已经搜索过这个，但没有足够的内容适用于 android 的 onnx 模型。

当程序运行到这段代码

发生错误：

简直让我抓狂！</p>

任何人都可以帮助我吗？

我有一个带有 Keras 和 Tensorflow 后端的训练模型（Keras 2.2.4 Tensorflow 1.13.1），我想在带有 ML.Net 的 Visual Studio 中使用该模型。

因此，我使用 winmltools.convert_keras 将我的模型转换为 ONNX（我用 Tensorflow 2.0 模型厌倦了它，但我得到了No module named 'tensorflow.tools.graph_transforms' 错误）。现在我终于设法加载模型：

但是现在我需要一个 IDataView 来“拟合”模型（根据我的理解，它需要初始化它？）因此我加载了一个空的 IDataView：

ImageNetData是_

现在我得到错误：

我的 Netron 模型：

为什么它需要一个字符串？如果我删除[ImageType(299,299)]并将位图更改为字符串，我得到：

我希望我的问题是可以理解的。

更新：在 Gopal Vashishtha 的提示之后，我更改了输入/输出名称：

但我仍然有同样的错误。我训练模型的方式可能有问题吗？我使用 numpy-array 作为图像，使用 0/1/2 作为相应的类。

我正在尝试使用 onnxruntime量化工具来量化 ONNX 模型。

我的量化代码如下：

在这种方法之后，我得到的模型具有 0 维模型。我必须在 quantize 函数中传递什么参数才能获得合适的模型？

我在 python tensorflow 中有基本模型我想将它保存到 onnx 文件我该怎么做。我试过使用onnx.save函数我得到错误。

我的代码如下：

我正在使用 R-CNN 检测器（区域卷积神经网络）进行对象检测的项目。我创建了检测器并通过 Matlab 进行了训练并进行了测试，它工作正常，但是当我上台测试它并将其部署到树莓派时，Matlab 不支持将此检测器部署到硬件。我看到很多资源可以将其转换为 ONNX 格式。我已经将 Matlab 文件转换为 ONNX 文件，现在我正在寻找使用此 onnx 文件并部署到 raspi 的步骤，因此，

我正在寻求您对部署预训练检测器的支持。