Pytorch格式 .pt .pth .bin .onnx 详解
发布网友
发布时间：2024-10-01 03:47
我来回答
共1个回答
热心网友
时间：2024-10-04 06:45
感谢评论区知友的指正，文章已更新，更新时间：2023/04/14
---------------------分割线-----------------------
Pytorch作为深度学习领域流行的框架之一，支持多种模型保存格式，包括.pt、.pth、.bin、.onnx。这些格式均可保存训练好的模型，但它们有何区别？模型的保存与加载又涉及哪些内容？
在使用Pytorch构建模型并训练完成后，将其应用于实际场景或与他人分享是关键步骤。因此，我们需要思考如何提供模型信息，以便他人能够复现我们的模型。
通过提供模型代码、参数、数据集和使用文档，我们相信他人可以轻松复现模型。反过来，若他人也提供这些信息，我们也能更好地理解和使用他们的模型。
模型重现的关键在于模型结构、参数和数据集，而约定格式（.pt、.pth、.bin、.onnx）是为了实现交流规范，避免出现格式混乱。
torch.save用于将序列化对象保存到磁盘，利用Python的pickle工具进行序列化。而torch.load则使用pickle的反序列化功能将文件内容反序列化到内存。
文件后缀仅用于提示文件内容，具体内容需根据README.md了解。torch.load方法读取模型信息时，不依赖文件后缀，而是根据文件内容自动识别。
以下是一个整理了.pt、.pth、.bin、ONNX和TorchScript等PyTorch模型文件格式的表格。
.pt和.pth格式
一个完整的PyTorch模型文件包含参数、模型定义、优化器等。
下面是一个.pt文件的保存和加载示例：
模型保存
模型加载
.bin格式
.bin文件是二进制文件，可保存模型参数和持久化缓存，适用于生产环境。
下面是一个.bin文件的保存和加载示例：
保存模型
加载模型
.onnx格式
将保存的文件通过torch.onnx.export函数转化为ONNX格式，以便在其他深度学习框架中使用。
加载ONNX格式的代码示例：
注意：需安装onnx和onnxruntime包，以及numpy等科学计算库。
若想直接保存整个模型，避免重新定义模型结构，可按以下操作：
加载模型
本文介绍了PyTorch模型导出的几种后缀格式，但关键在于导出信息的内容。了解模型的model.state_dict()、optimizer.state_dict()和相关信息，即可重建模型。务必在README.md中写清楚导出信息，以便他人理解和使用。
以上内容均为官方文档资料，建议仔细学习模型的导出和加载方法。
Pytorch格式 .pt .pth .bin .onnx 详解
.pt和.pth格式 一个完整的PyTorch模型文件包含参数、模型定义、优化器等。下面是一个.pt文件的保存和加载示例：模型保存 模型加载 .bin格式 .bin文件是二进制文件，可保存模型参数和持久化缓存，适用于生产环境。下面是一个.bin文件的保存和加载示例：保存模型 加载模型 .onnx格式 将保存的文件通过torch...
一图看懂ONNX模型格式
ONNX的核心是onnx.proto文件，其中包含了ModelProto、GraphProto、NodeProto、ValueInfoProto和TensorProto等关键对象。ModelProto封装了版本信息和模型结构，GraphProto则详细描述了计算图，包括输入（包含权重）、输出和计算节点。每个NodeProto都有输入和输出数组，通过这些关系构建模型的拓扑结构。值得注意的是...
ONNX简介
此时，ONNX便应运而生，Caffe2，PyTorch，Microsoft Cognitive Toolkit，Apache MXNet等主流框架都对ONNX有着不同程度的支持。这就便于了我们的算法及模型在不同的框架之间的迁移。开放式神经网络交换（ONNX）是迈向开放式生态系统的第一步，它使AI开发人员能够随着项目的发展选择合适的工具。 ONNX为AI模...
ONNX一本通:综述&使用&源码分析(持续更新)
ONNX详解：功能概述、Python API应用与源码解析ONNX的核心功能集中在模型定义、算子操作、序列化与反序列化，以及模型验证上。它主要通过onnx-runtime实现运行时支持，包括图优化和平台特定的算子库。模型转换工具如tf、pytorch和mindspore的FMK工具包负责各自框架模型至ONNX的转换。ONNX Python API实战场景...
ONNX学习笔记
本文深入探索ONNX的背景、格式、简化方法及其在模型部署中的应用。ONNX，全称为开放神经网络交换格式，是由微软和Facebook共同发起的开放格式标准，旨在促进深度学习模型的可交互性，不论模型由何种训练框架（如TensorFlow、PyTorch、OneFlow、Paddle等）创建。ONNX采用Protobuf数据结构存储神经网络的权重信息，...
模型文件格式
PyTorch模型保存则多采用 .pt 或 .pth 格式，具备较好的灵活性和跨框架兼容性。ONNX格式为跨框架模型交换提供了标准，支持多种框架模型导入，便于模型部署与优化。Flax、DGL等框架支持的 npz、pkl等格式，适用于特定环境与使用场景。总的来说，选择模型文件格式时需综合考虑模型需求、框架支持、兼容性及...
ONNX 基础知识
ONNX 核心在于提供模型在不同环境下的通用交流格式，确保模型可以在 PyTorch、TensorRT 等框架间无缝转换，尽管可能影响性能，因为细粒度的 op 更灵活但速度较慢，而粗粒度的 op 则有利于高效部署。例如，将线性回归模型 Y = X * A + B 转化为 ONNX 会分解为 y = Add(MatMul(X, A), B)。O...
[ONNX从入门到放弃] 2. Pytorch导出ONNX模型
在工程部署中，常采用其他深度学习框架训练模型，再导出ONNX格式，Pytorch为例，步骤如下：首先，构建Pytorch模型。然后使用torch.onnx.export()函数导出ONNX模型。关键参数包括model（网络模型），x（输入张量），以及可选参数，如dynamic_axes、do_constant_folding、verbose、opset_version等。模型导出时需...
onnx如何使用
第一步，导出模型为ONNX格式。大多数框架如PyTorch提供导出工具，例如使用torch.onnx.export函数。第二步，加载与推理ONNX模型。ONNX模型可在支持ONNX的框架中加载并执行推理，例如TensorFlow、MXNet、ONNX Runtime等。示例中，我们使用ONNX Runtime加载模型并执行推理。首先加载模型，创建ONNX Runtime会话...
模型部署入门教程,ONNX 网络模型的修改与调试实战
在模型创建后，我们可以通过onnx.checker.check_model验证模型的正确性，并用onnx.save存储模型。读取ONNX模型时，我们可以提取出图、节点和张量信息进行修改。例如，修改节点类型实现函数变换。ONNX模型的调试是通过子模型提取功能进行的。子模型提取允许从大模型中提取部分结构进行单独分析，这在深度学习...
