【过一下 17】pytorch 改写 keras

任务

pytorch自建模型转keras

想法

1. 有pytorch的自建模型代码
   • 可以一行一行的找到keras里相应的层去代替（手工转写
   • Pytorch转keras的有效方法，以FlowNet为例_咆哮的阿杰的博客-CSDN博客_pytorch转keras
   • tensorflow和keras_手动 pytorch 模型转 tensorflow keras 模型_weixin_39637920的博客-CSDN博客
2. 有自建模型导出的onnx，作为中间件
   • 可以onnx转keras（自动转
   • 搞不出来

查到的博客

首先，我们必须有清楚的认识，网上以及github上一些所谓的pytorch转换Keras或者Keras转换成Pytorch的工具代码几乎不能运行或者有使用的局限性（比如仅仅能转换某一些模型），但是我们是可以用这些转换代码中看出一些端倪来，比如二者的参数的尺寸（shape）的形式、channel的排序（first or last）是否一样，掌握到差异性，就能根据这些差异自己编写转换代码，没错，自己编写转换代码，是最稳妥的办法。整个过程也就分为两个部分。笔者将会以Nvidia开源的FlowNet为例，将开源的Pytorch代码转化为Keras模型。

按照Pytorch中模型的结构，编写对应的Keras代码，用keras的函数式API，构建起来会非常方便。
把Pytorch的模型参数，按照层的名称依次赋值给Keras的模型
以上两步虽然看上去简单，但实际我也走了不少弯路。这里一个关键的地方，就是参数的shape在两个框架中是否统一，那当然是不统一的。

查到的博客
pytorch 到 tensorflow 可以用onnx作为中间工具转换，将pytorch转为onnx，再从onnx转为tensorflow，但是中间可能出现一些乱七八糟的问题。其实手动读参数再填充的对应的模型中也很方便，本文就总结一下手动模型转换。

过程

我肯定是先尝试 自动转

pytorch模型转keras模型_AI算法-图哥的博客-CSDN博客_pytorch2keras

ONNX系列二 — 使用ONNX使Keras模型可移植_寒冰屋的博客-CSDN博客_keras onnx

安装一下

接触到了(load和load_state_dict)的问题

Pytorch保存和加载模型(load和load_state_dict)_木盏的博客-CSDN博客_pytorch 加载模型

插曲

安装whl

可以通过查看python版本和安装对应python版本的离线安装包（附.whl安装网页链接）_Az_z的博客-CSDN博客_离线安装指定版本python

真是服了，onnx1.8.1之后移除了了optimizer那个包，然后pytorch2keras这个包要用的就是版本就是1.8.1及之前的，onnx1.8.1支持py3.8，然后我Py3.9。所以只得在另一个虚拟环境(py3.6)里面重新安装了相应的包（400M的tensorflow还有torch等等）。安好了，以为现在可以用了

然后报 modulelist的错

然后我导出成onnx，再load，就报“TypeError: ‘ModelProto’ object is not callable”的错

我真是服了。

看来只能手工写一下了

python关于onnx模型的一些基本操作_一杯盐水的博客-CSDN博客_onnx 静态量化

学习keras，主要是 两边参数不一样

改倒是好改。（不问对错，就是搭积木）

看的一些博客

结果

input_data = keras.layers.Input(shape=(4,1), dtype='float64')
cnn_out = keras.layers.Conv1D(1, kernel_size=2, strides=1)(input_data)
cnn_out = keras.layers.MaxPool1D(2)(cnn_out)
lstm_out =keras.layers.LSTM(4)(cnn_out)
dense_out = keras.layers.Dense(3,activation='softmax')(lstm_out)
model = keras.Model(input_data, dense_out)

model.compile(optimizer='adam',loss='mean_absolute_error',metrics=['accuracy'])

model.summary()

改写成功了，但是准确率什么的，很垃