LoginSignup
5
4

More than 5 years have passed since last update.

@sotanmochi(sotan)inTIS株式会社

Windows環境にChainerとONNX-Chainerをインストールして動かしてみた

Last updated at Posted at 2018-07-06

はじめに

Chainerで実装・学習したモデルをONNX形式で出力するための環境を構築した。
サンプルのモデルを出力してNetronというビューワーで確認した。

検証環境

  • Windows 10 Pro (Version: 1709, OS build: 16299.431)
  • NVIDIA GeForce GTX 1070Ti
  • Visual Studio 2017 (Version 15.7.2)

インストールするもの

  • Anaconda3 5.2.0 (Python 3.6.5)
  • CUDA Toolkit 9.2
  • CuPy 5.0.0b2 (For CUDA 9.2)
  • Chainer 4.2.0
  • ONNX 1.1.2
  • ONNX-Chainer 1.1.1a2
  • Netron 1.8.9

各種ツールのインストール

Anaconda

公式サイトからインストーラーをダウンロードして実行する。インストール先のフォルダ以外は特に変更なし。

スタートメニューから「Anaconda Prompt」を起動してPythonのバージョンを確認。

(base) C:\>python --version
Python 3.6.5 :: Anaconda, Inc.

CUDA

公式サイトからインストーラーをダウンロードして実行する。

インストールオプションは「高速（推奨）」を選択する。

※ Visual Studio Integrationのインストール失敗が原因で、その他のコンポーネントも全てインストールできないことがある。
　 そのような場合には、インストールオプションで「カスタム」を選択して、Visual Studio Integrationのチェックを外す。

cuda_install.png

インストール完了後、コマンドプロンプトで「nvcc --version」を実行してバージョンの確認。

C:\>nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Wed_Apr_11_23:16:30_Central_Daylight_Time_2018
Cuda compilation tools, release 9.2, V9.2.88

CuPy

Anaconda Promptを起動して「pip install cupy-cuda92」を実行する。
インストール完了後、Anaconda Promptから以下のコマンドを実行して、CuPyのバージョンを確認。

(base) C:>python -c "import cupy; print(cupy.__version__)"
5.0.0b2

Chainer

Anaconda Promptを起動して「pip install chainer==4.2.0」を実行する。

インストール完了後、chainerがimportできるか確認する。importの直後に、h5pyのWarningが発生している。

Chainer_warning.png

インストールされているh5pyのバージョンが2.7.1だった。

Chainer_warning_h5py.png

h5pyを2.8.0にアップデートする。

pip install -U h5py

アップデート完了後、chainerがimportできるか、CUDAが使えるかを確認する。Warningもなくなったので特に問題なし。

Chainer_check.png

ONNX

Anaconda Promptを起動して「pip install onnx==1.1.2」を実行する。
インストール完了後、Anaconda Promptから以下のコマンドを実行して、ONNXのバージョンを確認。

(base) C:\>python -c "import onnx; print(onnx.__version__)"
1.1.2

Windows環境だけかもしれないが、v1.0.1とかv1.1.1はビルドに失敗してインストールできなかった。

ONNX-Chainer

Anaconda Promptを起動して「pip install onnx-chainer==1.1.1a2」を実行する。

インストール完了後、onnx-chainerがimportできるかを確認する。importの直後にWarningなどが表示されなければ問題ない。

Onnx_Chainer_check.png

Netron

GitHubのページからインストーラーをダウンロードして実行する。

モデルをONNX形式で出力する

Anaconda Promptを起動して、以下のコード（train_mnist_export_onnx.py）を実行する。

python train_mnist_export_onnx.py –-gpu 0（GPU使用時）
train_mnist_export_onnx.py
#!/usr/bin/env python
import argparse

import chainer
import chainer.functions as F
import chainer.links as L
from chainer import training
from chainer.training import extensions

import numpy as np
import onnx
import onnx_chainer

# Network definition
class MLP(chainer.Chain):

    def __init__(self, n_units, n_out):
        super(MLP, self).__init__()
        with self.init_scope():
            # the size of the inputs to each layer will be inferred
            self.l1 = L.Linear(None, n_units)  # n_in -> n_units
            self.l2 = L.Linear(None, n_units)  # n_units -> n_units
            self.l3 = L.Linear(None, n_out)  # n_units -> n_out

    def __call__(self, x):
        h1 = F.relu(self.l1(x))
        h2 = F.relu(self.l2(h1))
        return self.l3(h2)


def main():
    parser = argparse.ArgumentParser(description='Chainer example: MNIST')
    parser.add_argument('--batchsize', '-b', type=int, default=100,
                        help='Number of images in each mini-batch')
    parser.add_argument('--epoch', '-e', type=int, default=20,
                        help='Number of sweeps over the dataset to train')
    parser.add_argument('--frequency', '-f', type=int, default=-1,
                        help='Frequency of taking a snapshot')
    parser.add_argument('--gpu', '-g', type=int, default=-1,
                        help='GPU ID (negative value indicates CPU)')
    parser.add_argument('--out', '-o', default='result',
                        help='Directory to output the result')
    parser.add_argument('--resume', '-r', default='',
                        help='Resume the training from snapshot')
    parser.add_argument('--unit', '-u', type=int, default=1000,
                        help='Number of units')
    parser.add_argument('--noplot', dest='plot', action='store_false',
                        help='Disable PlotReport extension')
    args = parser.parse_args()

    print('GPU: {}'.format(args.gpu))
    print('# unit: {}'.format(args.unit))
    print('# Minibatch-size: {}'.format(args.batchsize))
    print('# epoch: {}'.format(args.epoch))
    print('')

    # Set up a neural network to train
    # Classifier reports softmax cross entropy loss and accuracy at every
    # iteration, which will be used by the PrintReport extension below.
    model = L.Classifier(MLP(args.unit, 10))
    if args.gpu >= 0:
        # Make a specified GPU current
        chainer.backends.cuda.get_device_from_id(args.gpu).use()
        model.to_gpu()  # Copy the model to the GPU

    # Setup an optimizer
    optimizer = chainer.optimizers.Adam()
    optimizer.setup(model)

    # Load the MNIST dataset
    train, test = chainer.datasets.get_mnist(ndim=3)

    train_iter = chainer.iterators.SerialIterator(train, args.batchsize)
    test_iter = chainer.iterators.SerialIterator(test, args.batchsize,
                                                 repeat=False, shuffle=False)

    # Set up a trainer
    updater = training.updaters.StandardUpdater(
        train_iter, optimizer, device=args.gpu)
    trainer = training.Trainer(updater, (args.epoch, 'epoch'), out=args.out)

    # Evaluate the model with the test dataset for each epoch
    trainer.extend(extensions.Evaluator(test_iter, model, device=args.gpu))

    # Dump a computational graph from 'loss' variable at the first iteration
    # The "main" refers to the target link of the "main" optimizer.
    trainer.extend(extensions.dump_graph('main/loss'))

    # Take a snapshot for each specified epoch
    frequency = args.epoch if args.frequency == -1 else max(1, args.frequency)
    trainer.extend(extensions.snapshot(), trigger=(frequency, 'epoch'))

    # Write a log of evaluation statistics for each epoch
    trainer.extend(extensions.LogReport())

    # Save two plot images to the result dir
    if args.plot and extensions.PlotReport.available():
        trainer.extend(
            extensions.PlotReport(['main/loss', 'validation/main/loss'],
                                  'epoch', file_name='loss.png'))
        trainer.extend(
            extensions.PlotReport(
                ['main/accuracy', 'validation/main/accuracy'],
                'epoch', file_name='accuracy.png'))

    # Print selected entries of the log to stdout
    # Here "main" refers to the target link of the "main" optimizer again, and
    # "validation" refers to the default name of the Evaluator extension.
    # Entries other than 'epoch' are reported by the Classifier link, called by
    # either the updater or the evaluator.
    trainer.extend(extensions.PrintReport(
        ['epoch', 'main/loss', 'validation/main/loss',
         'main/accuracy', 'validation/main/accuracy', 'elapsed_time']))

    # Print a progress bar to stdout
    trainer.extend(extensions.ProgressBar())

    if args.resume:
        # Resume from a snapshot
        chainer.serializers.load_npz(args.resume, trainer)

    # Run the training
    trainer.run()

    # Export the trained model as onnx format
    # Don't forget to set train flag off!
    chainer.config.train = False
    pseudo_input = np.zeros((1, 1, 28, 28), dtype=np.float32)
    onnx_chainer.export(model.predictor, pseudo_input, filename='mnist.onnx')

if __name__ == '__main__':
    main()

上記のコードは、ChainerのリポジトリにあるExampleのtrain_mnist.pyを修正したもの。修正箇所は以下の通り。

10～12行目。importを追加。

import numpy as np
import onnx
import onnx_chainer

70～71行目。ndim=3を指定するように修正。

# Load the MNIST dataset
train, test = chainer.datasets.get_mnist(ndim=3)

125～129行目。学習したモデルをONNX形式で出力

# Export the trained model as onnx format
# Don't forget to set train flag off!
chainer.config.train = False
pseudo_input = np.zeros((1, 1, 28, 28), dtype=np.float32)
onnx_chainer.export(model.predictor, pseudo_input, filename='mnist.onnx')

実行結果

Execute.png

ONNXファイルが出力されている。

Folder.png

ONNXで出力したモデルの確認

Netronでmnist.onnxを開いて確認する。

Netron.png

まとめ

  • Chainerで実装・学習したモデルをONNX形式で出力するためにWindows環境に各種ツールをインストールした。
  • サンプルのモデルをONNX形式で出力してNetronというビューワーで確認した。

参考情報

5
4
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
5
4