转换为MindSpore Lite模型

概述

MindSpore Lite提供离线转换模型功能的工具，支持多种类型的模型转换，转换后的模型可用于推理。命令行参数包含多种个性化选项，为用户提供方便的转换途径。

目前支持的输入格式有：MindSpore、TensorFlow Lite、Caffe和ONNX。

Linux环境使用说明

环境准备

使用MindSpore Lite模型转换工具，需要进行如下环境准备工作。

编译：模型转换工具代码在MindSpore源码的mindspore/lite/tools/converter目录中，参考构建文档中的环境要求和编译示例编译x86_64版本。
运行：参考构建文档中的编译输出，获得converter工具，并配置环境变量。

使用示例

首先，在源码根目录下，输入命令进行编译，可参考build.md。

bash build.sh -I x86_64

目前模型转换工具仅支持x86_64架构。

下面选取了几个常用示例，说明转换命令的使用方法。

以Caffe模型LeNet为例，执行转换命令。
```
./converter_lite --fmk=CAFFE --modelFile=lenet.prototxt --weightFile=lenet.caffemodel --outputFile=lenet
```
本例中，因为采用了Caffe模型，所以需要模型结构、模型权值两个输入文件。再加上其他必需的fmk类型和输出路径两个参数，即可成功执行。

结果显示为：
```
CONVERTER RESULT SUCCESS:0
```
这表示已经成功将Caffe模型转化为MindSpore Lite模型，获得新文件lenet.ms。

以MindSpore、TensorFlow Lite、ONNX模型格式和感知量化模型为例，执行转换命令。

MindSpore模型model.mindir

./converter_lite --fmk=MINDIR --modelFile=model.mindir --outputFile=model

TensorFlow Lite模型model.tflite

./converter_lite --fmk=TFLITE --modelFile=model.tflite --outputFile=model

ONNX模型model.onnx

./converter_lite --fmk=ONNX --modelFile=model.onnx --outputFile=model

TensorFlow Lite感知量化模型model_quant.tflite

./converter_lite --fmk=TFLITE --modelFile=model_quant.tflite --outputFile=model --quantType=AwareTraining

感知量化模型输入输出类型设置为float

./converter_lite --fmk=TFLITE --modelFile=model_quant.tflite --outputFile=model --quantType=AwareTraining --inferenceType=FLOAT

以上几种情况下，均显示如下转换成功提示，且同时获得model.ms目标文件。

CONVERTER RESULT SUCCESS:0

如果转换命令执行失败，程序会返回一个错误码。

训练后量化示例请参考https://www.mindspore.cn/tutorial/lite/zh-CN/r1.0/use/post_training_quantization.html。

参数说明

MindSpore Lite模型转换工具提供了多种参数设置，用户可根据需要来选择使用。此外，用户可输入./converter_lite --help获取实时帮助。

下面提供详细的参数说明。

参数	是否必选	参数说明	取值范围	默认值
`--help`	否	打印全部帮助信息。	-	-
`--fmk=<FMK>`	是	输入模型的原始格式。	MINDIR、CAFFE、TFLITE、ONNX	-
`--modelFile=<MODELFILE>`	是	输入模型的路径。	-	-
`--outputFile=<OUTPUTFILE>`	是	输出模型的路径（不存在时将自动创建目录），不需加后缀，可自动生成`.ms`后缀。	-	-
`--weightFile=<WEIGHTFILE>`	转换Caffe模型时必选	输入模型weight文件的路径。	-	-
`--quantType=<QUANTTYPE>`	否	设置模型的量化类型。	WeightQuant：训练后量化（权重量化） PostTraining：训练后量化（全量化） AwareTraining：感知量化	-
`--inferenceType=<INFERENCETYPE>`	否	设置感知量化模型输入输出数据类型，如果和原模型不一致则转换工具会在模型前后插转换算子，使得转换后的模型输入输出类型和inferenceType保持一致。	UINT8、FLOAT、INT8	FLOAT
`--stdDev=<STDDEV>`	否	感知量化模型转换时用于设置输入数据的标准差。	（0，+∞）	128
`--mean=<MEAN>`	否	感知量化模型转换时用于设置输入数据的均值。	[-128, 127]	-0.5
`--bitNum=<BITNUM>`	否	设定训练后量化（权重量化）的比特数，目前仅支持8bit量化	8	8
`--quantSize=<QUANTSIZE>`	否	设定参与训练后量化（权重量化）的卷积核尺寸阈值，若卷积核尺寸大于该值，则对此权重进行量化	（0，+∞）	0
`--convWeightQuantChannelThreshold=<CONVWEIGHTQUANTCHANNELTHRESHOLD>`	否	设定参与训练后量化（权重量化）的卷积通道数阈值，若卷积通道数大于该值，则对此权重进行量化	（0，+∞）	16
`--config_file=<CONFIGFILE>`	否	训练后量化（全量化）校准数据集配置文件路径	-	-

参数名和参数值之间用等号连接，中间不能有空格。

Caffe模型一般分为两个文件：*.prototxt模型结构，对应--modelFile参数；*.caffemodel模型权值，对应--weightFile参数。

Windows环境使用说明