MMdnn 是微軟開源的一套幫助用戶在不同深度學習框架之間進行互操作的工具，包括模型轉換和可視化。目前支持在 Caffe、Keras、MXNet、Tensorflow、CNTK、PyTorch 和 CoreML 等框架之間進行模型轉換。

安裝

通過以下命令行獲取穩定版的 MMdnn：

pip install https://github.com/Microsoft/MMdnn/releases/download/0.1.3/mmdnn-0.1.3-py2.py3-none-any.whl

或者通過以下命令嘗試最新版本：

pip install -U git+https://github.com/Microsoft/MMdnn.git@master

模型轉換

業界和學界存在大量現有框架，適合開發者和研究者來設計模型，每個框架具備自己的網絡結構定義和模型保存格式。框架之間的差距阻礙了模型的交互操作。

我們提供一個模型轉換器，幫助開發者通過中間表征格式轉換模型，以適合不同框架。

支持框架

每個支持的框架都有詳細的 README 文檔，它們可以在以下conversion件夾找到。

測試模型

我們在部分 ImageNet 模型上對當前支持的框架間模型轉換功能進行了測試。

正在測試的框架： PyTorch CNTK Caffe2 ONNX 正在測試的模型： RNN 圖像風格遷移 目標檢測

模型可視化

你可以使用 MMdnn 模型可視化工具（http://vis.mmdnn.com/），提交自己的 IR json 文件進行模型可視化。為了運行下面的命令行，你需要使用喜歡的包管理器安裝 requests、Keras、TensorFlow。

使用 Keras inception_v3 模型作為示例。

\1. 下載預訓練模型：

python -m mmdnn.conversion.examples.keras.extract_model -n inception_v3

\2. 將預訓練模型文件轉換成中間表征格式：

python3 -m mmdnn.conversion._.convertToIR -f keras -d keras_inception_v3 -n imagenet_inception_v3.json

\3. 打開 MMdnn 模型可視化工具地址（http://mmdnn.eastasia.cloudapp.azure.com:8080/），選擇文件 keras_inception_v3.json。

社區支持

本項目仍在繼續開發與探索，它需要各位讀者完善中間表征與支持的框架。因此，該項目的作者表示他非常希望有開發者能提供新的運算或擴展。

中間表征：中間表征在 protobuf 二進制文件中儲存網絡架構，在 NumPynative 格式中儲存預訓練權重。此外，目前 IR 權重數據使用的是 NHWC 格式。中間表征的細節請查看 ops.txt 和 graph.proto 文件。 框架：我們正在擴展到其它框架版本和可視化工具，例如 Caffe2、PyTorch 和 CoreML 等。此外，本項目也在積極開發 RNN 相關的操作方法。

使用案例

以下是該項目實現框架轉換的基本案例，其中包括官方的教程和用戶提供的各種案例，機器之心簡要介紹了官方 Keras 到 CNTK 的轉換教程。 官方教程：

Keras “inception_v3” to CNTK 用戶案例：

MXNet “resnet 152 11k” to PyTorch MXNet “resnext” to Keras Tensorflow “resnet 101” to PyTorch Tensorflow “mnist mlp model” to CNTK Tensorflow “Inception_v3” to MXNet Caffe “AlexNet” to Tensorflow Caffe “inception_v4” to Tensorflow Caffe “VGG16_SOD” to Tensorflow Caffe “Squeezenet v1.1” to CNTK

Keras「inception_v3」模型到 CNTK 的轉換

1. 安裝 Keras 和 CNTK

pip install keras
pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.3-cp27-cp27mu-linux_x86_64.whl

or

pip install
https://cntk.ai/PythonWheel/CPU-Only/cntk-2.3-cp35-cp35m-linux_x86_64.whl

2. 準備 Keras 模型

以下示例將首先下載預訓練模型，然后使用簡單的模型抽取器從 Keras 應用中獲取模型，抽取器將抽取 Keras 模型架構和權重。

$ python -m mmdnn.conversion.examples.keras.extract_model -n inception_v3

Using TensorFlow backend.

Downloading data from https://github.com/fchollet/deep-learning-models/releases/download/v0.5/inception_v3_weights_tf_dim_ordering_tf_kernels.h6

96075776/96112376 [============================>.] - ETA: 0s

.

.

.

Network structure is saved as [imagenet_inception_v3.json].

Network weights are saved as [imagenet_inception_v3.h6].

架構文件 imagenet_inception_v3.json 和權重文件 imagenet_inception_v3.h6 會下載至當前工作目錄。

3. 將預訓練模型文件轉換為中間表征

$ python -m mmdnn.conversion._.convertToIR -f keras -d converted -n imagenet_inception_v3.json -w imagenet_inception_v3.h6

Using TensorFlow backend.

.

.

.

Network file [imagenet_inception_v3.json] is loaded successfully.

IR network structure is saved as [converted.json].

IR network structure is saved as [converted.pb].

IR weights are saved as [converted.npy].

以上的命令會將 imagenet_inception_v3.json 作為神經網絡架構的描述文件，imagenet_inception_v3.h6 作為預訓練權重。然后計算出中間表征文件 converted.json 用于可視化，計算出 converted.proto 和 converted.npy 以進一步轉換為其它框架。

4. 轉換 IR 文件為 CNTK 模型

$ python -m mmdnn.conversion._.IRToCode -f cntk -d converted_cntk.py -n converted.pb -w converted.npy

Parse file [converted.pb] with binary format successfully.

Target network code snippet is saved as [converted_cntk.py].

你將得到文件 converted_cntk.py，包括構建 Inception V3 網絡的原始 CNTK 代碼。

經過這三步，你已經將預訓練 Keras Inception_v3 模型轉換成 CNTK 網絡文件 converted_cntk.py 和權重文件 converted.npy。你可以用這兩個文件調整訓練或推斷。

5. 轉存原始 CNTK 模型

$ python -m mmdnn.conversion.examples.cntk.imagenet_test -n converted_cntk -w converted.npy --dump cntk_inception_v3.dnn

.

.

.

CNTK model file is saved as [cntk_inception_v3.dnn], generated by [converted_cntk.py] and [converted.npy].

CNTK 可直接加載文件 cntk_inception_v3.dnn。