本文阐述如何将PyTorch ResNet50模型导出为支持动态batch size的ONNX格式。 我们将解决导出过程中可能遇到的与动态batch size相关的难题。 原始代码中存在一些问题，例如imageretrievalnet类中未使用的self.lwhiten属性和gem类中使用parameter类型的self.p属性，这些都可能导致ONNX导出失败。
ONNX导出对动态形状和特定PyTorch操作符的处理有限制。gem类中self.p作为可学习参数，以及imageretrievalnet类中冗余属性，会增加导出复杂度，导致形状推断错误。
为了解决这些问题，我们需要修改代码：移除imageretrievalnet类中无用的self.lwhiten属性，并将gem类中的self.p属性改为常量赋值。 修改后的代码如下：
import torch
import torch.nn as nn
from torchvision import models
class gem(nn.Module):
def __init__(self, p=3, eps=1e-6):
super(gem, self).__init__()
self.p = p # p设置为常量
self.eps = eps
def forward(self, x: torch.Tensor) -> torch.Tensor:
return torch.pow(torch.mean(torch.pow(x, self.p), dim=1, keepdim=True) + self.eps, 1/self.p)
class l2n(nn.Module):
def __init__(self):
super(l2n, self).__init__()
def forward(self, x: torch.Tensor) -> torch.Tensor:
return x / torch.norm(x, p=2, dim=1, keepdim=True)
class ImageRetrievalNet(nn.Module):
def __init__(self, dim: int = 512):
super(ImageRetrievalNet, self).__init__()
resnet50_model = models.resnet50()
features = list(resnet50_model.children())[:-2]
self.features = nn.Sequential(*features)
self.pool = gem()
self.whiten = nn.Linear(2048, dim, bias=True)
self.norm = l2n()
def forward(self, x: torch.Tensor) -> torch.Tensor:
o: torch.Tensor = self.features(x)
pooled_t = self.pool(o)
normed_t: torch.Tensor = self.norm(pooled_t)
o: torch.Tensor = normed_t.squeeze(-1).squeeze(-1)
if self.whiten is not None:
whitened_t = self.whiten(o)
normed_t: torch.Tensor = self.norm(whitened_t)
o = normed_t
return o.permute(1, 0)
通过这些修改，我们解决了ONNX导出过程中遇到的动态形状和参数类型不匹配问题。 现在，可以使用以下代码将修改后的模型导出为支持动态batch size的ONNX格式：
model = ImageRetrievalNet()
batch_size = 1 # 使用1进行测试，实际部署时batch size可变
input_shape = (batch_size, 3, 224, 224)
input_data = torch.randn(input_shape)
torch.onnx.export(
model,
input_data,
"resnet50.onnx",
input_names=["input"], output_names=["output"],
opset_version=12,
dynamic_axes={"input": {0: "batch_size"}, "output": {0: "batch_size"}}
)
修改后的代码能够成功导出ONNX模型并支持动态batch size，主要是因为消除了阻碍动态形状推断的因素，从而使ONNX导出过程顺利完成。 请确保已安装必要的库：torch, torchvision, onnx.
