export_model.md

模型导出

PaddlePaddle 支持导出 inference 模型用于部署推理场景，相比于训练调优场景，inference 模型会将网络权重与网络结构进行持久化存储，并且 PaddlePaddle 支持使用预测引擎加载 inference 模型进行预测推理。

---

目录

• 环境准备
• 分类模型导出
• 主体检测模型导出
• 识别模型导出
• 命令参数说明

1. 环境准备

首先请参考文档安装PaddlePaddle和文档安装PaddleClas配置运行环境。

2. 分类模型导出

进入 PaddleClas 目录下：

cd /path/to/PaddleClas

以 ResNet50_vd 分类模型为例，下载预训练模型：

wget -P ./cls_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/legendary_models/ResNet50_vd_pretrained.pdparams

上述模型是使用 ResNet50_vd 在 ImageNet 上训练的模型，使用的配置文件为 ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml，将该模型转为 inference 模型只需运行如下命令：

python tools/export_model.py \
    -c ./ppcls/configs/ImageNet/ResNet/ResNet50_vd.yaml \
    -o Global.pretrained_model=./cls_pretrain/ResNet50_vd_pretrained \
    -o Global.save_inference_dir=./deploy/models/class_ResNet50_vd_ImageNet_infer

3. 主体检测模型导出

主体检测模型的导出，可以参考主题检测介绍。

4. 识别模型导出

进入 PaddleClas 目录下：

cd /path/to/PaddleClas

以商品识别特征提取模型为例，下载预训练模型：

wget -P ./product_pretrain/ https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/rec/models/pretrain/product_ResNet50_vd_Aliproduct_v1.0_pretrained.pdparams

上述模型是 ResNet50_vd 在 AliProduct 上训练的模型，训练使用的配置文件为 ppcls/configs/Products/ResNet50_vd_Aliproduct.yaml，将该模型转为 inference 模型只需运行如下命令：

python3 tools/export_model.py \
    -c ./ppcls/configs/Products/ResNet50_vd_Aliproduct.yaml \
    -o Global.pretrained_model=./product_pretrain/product_ResNet50_vd_Aliproduct_v1.0_pretrained \
    -o Global.save_inference_dir=./deploy/models/product_ResNet50_vd_aliproduct_v1.0_infer

注意，此处保存的 inference 模型在 embedding 特征层做了截断，即导出后模型最终的输出为 n 维 embedding 特征。

5. 命令参数说明

在上述模型导出命令中，所使用的配置文件需要与该模型的训练文件相同，在配置文件中有以下字段用于配置模型导出参数：

• Global.image_shape：用于指定模型的输入数据尺寸，该尺寸不包含 batch 维度；
• Global.save_inference_dir：用于指定导出的 inference 模型的保存位置；
• Global.pretrained_model：用于指定训练过程中保存的模型权重文件路径，该路径无需包含模型权重文件后缀名 .pdparams。。

上述命令将生成以下三个文件：

• inference.pdmodel：用于存储网络结构信息；
• inference.pdiparams：用于存储网络权重信息；
• inference.pdiparams.info：用于存储模型的参数信息，在分类模型和识别模型中可忽略。

导出的 inference 模型文件可用于预测引擎进行推理部署，根据不同的部署方式/平台，可参考：

• Python 预测
• C++ 预测（目前仅支持分类模型）
• Python Whl 预测（目前仅支持分类模型）
• PaddleHub Serving 部署（目前仅支持分类模型）
• PaddleServing 部署
• PaddleLite 部署（目前仅支持分类模型）