https://github.com/xxradon/ONNXToCaffe

由于我们使用的 PyTorch 模型基本上都是动态图结构，而动态图的问题在于前向传播未完成时无法确定图结构，但 Caffe 是一个静态图框架，这会导致从 PyTorch 转换到 Caffe 时遇到许多问题。此外，PyTorch 的版本迭代非常迅速，因此本仓库将不再推荐使用。如果您希望将 PyTorch 模型转换为 Caffe 模型，建议通过该仓库提供的流程：PyTorch -> ONNX -> Caffe https://github.com/xxradon/ONNXToCaffe。

代码主要来源于 nn_tools。感谢 hahnyuan 的贡献。

神经网络工具：转换器与分析器

为 PyTorch 和 Caffe 提供神经网络框架工具。

nn_tools 采用 MIT 许可证发布（详情请参阅 LICENSE 文件）。

特性

1. 将 PyTorch 模型转换为 Caffe 模型。
2. 提供一些便捷的工具，用于快速操作 caffemodel 和 prototxt 文件（例如获取或设置层的权重）。
3. 支持 PyTorch 版本 ≥ 0.2。（已在 0.3、0.3.1、0.4、0.4.1、1.0、1.2 等版本上测试过）
4. 分析模型，获取每一层的操作次数（ops）。

注意：目前不支持 PyTorch 1.1 版本。

需求

• Python 2.7 或 Python 3.x
• 此工具中的每个功能都需要相应的神经网络 Python 库（如 PyTorch 等）。

分析器

分析器可以根据输入张量的尺寸，分析模型所有层的 [输入大小、输出大小、乘法操作数、加法操作数、比较操作数、总操作数、权重大小等]，这对于模型部署分析非常方便。

Caffe

在分析您的网络之前，建议使用 Netscope 来可视化您的网络。

命令：python caffe_analyser.py [-h] prototxt outdir shape

• prototxt 是 prototxt 文件的路径。
• outdir 是保存 CSV 文件的路径。
• shape 是网络的输入形状（用逗号 , 分隔），在 Caffe 中图像形状应为：batch_size、channel、image_height、image_width。

例如：python caffe_analyser.py resnet_18_deploy.prototxt analys_result.csv 1,3,224,224

PyTorch

支持分析 torch.nn.Module 类的子类。

命令：pytorch_analyser.py [-h] [--out OUT] [--class_args ARGS] path name shape

• path 是包含您类的 Python 文件路径。
• name 是您 Python 文件中类名或实例名。
• shape 是网络的输入形状（用逗号 , 分隔），在 PyTorch 中图像形状应为：batch_size、channel、image_height、image_width。
• out（可选）是保存 CSV 文件的路径，默认为 /tmp/pytorch_analyse.csv。
• class_args（可选）是初始化 Python 文件中类的参数，默认为空。

例如：python pytorch_analyser.py example/resnet_pytorch_analysis_example.py resnet18 1,3,224,224

转换器

PyTorch 到 Caffe

新版 pytorch_to_caffe 支持最新版本的 PyTorch（从 0.2.0 到 1.2.0）。注意：由于实现差异，转换后的输出可能会与原始模型略有不同。

• 支持的层类型： conv2d -> Convolution, _conv_transpose2d -> Deconvolution, _linear -> InnerProduct, _split -> Slice, max_pool2d,_avg_pool2d -> Pooling, _max -> Eltwise, _cat -> Concat, dropout -> Dropout, relu -> ReLU, prelu -> PReLU, _leaky_relu -> ReLU, _tanh -> TanH,
  threshold(only value=0) -> Threshold,ReLU, softmax -> Softmax, batch_norm -> BatchNorm,Scale, instance_norm -> BatchNorm,Scale, _interpolate -> Upsample _hardtanh -> ReLU6 _permute -> Permute _l2Norm -> Normalize

• 支持的操作：torch.split、torch.max、torch.cat、torch.sigmoid、torch.div。

• 支持 tensor Variable 操作：var.view、+（add）、+=（iadd）、-（sub）、-=（isub）、*（mul）、*=（imul）、torch.Tensor.contiguous（_contiguous）、torch.Tensor.pow（_pow）、* torch.Tensor.sum（_sum）、torch.Tensor.sqrt（_sqrt）、torch.Tensor.unsqueeze（_unsqueeze）、* torch.Tensor.expand_as（_expand_as）。

未来计划添加到 Caffe 的内容：

• DepthwiseConv

上述支持的内容可以转换多种网络，例如 AlexNet（已测试）、VGG（已测试）、ResNet（修复了原仓库中主要由 ReLU 层函数引起的错误）、Inception_V3（已测试）。

所支持的层涵盖了最常用的层和操作。其他类型的层也将很快加入，您可以在 issues 中提出需求。

示例：请参阅文件 example/alexnet_pytorch_to_caffe.py。只需运行 python3 example/alexnet_pytorch_to_caffe.py 即可。

注意： 模型转换的主要区别在于 BN 层，您需要特别注意 BN 参数，例如 momentum=0.1、eps=1e-5。

部署验证（非常重要）

转换完成后，应使用 verify_deploy.py 验证 PyTorch 模型和转换后的 Caffe 模型的输出。若要验证 Caffe 和 PyTorch 的输出，需在同一环境中安装 Caffe 和 PyTorch，推荐使用 Anaconda。

使用以下脚本可以安装 Caffe-GPU（master 分支）：

conda install caffe-gpu pytorch cudatoolkit=9.0 -c pytorch 

另一种方法是使用 Docker，在 https://github.com/ufoym/deepo 上，针对 CUDA 9：

docker pull ufoym/deepo:all-py36-cu90

针对 CUDA 10：

docker pull ufoym/deepo:all-py36-cu100

请参阅文件 example/verify_deploy.py，它可以在相同输入下验证 PyTorch 模型和转换后的 Caffe 模型的输出。

常用函数

funcs.py

• get_iou(box_a, box_b) 两个框的交并比
• nms(bboxs,scores,thresh) 非极大值抑制
• Logger 将字符串打印到文件和标准输出，并显示时分秒

PytorchToCaffe 快速上手指南

重要提示：由于 PyTorch 动态图特性与 Caffe 静态图架构的差异，直接转换存在诸多限制且 PyTorch 版本迭代迅速，本项目已不再推荐作为首选方案。 推荐方案：请优先使用 PyTorch -> ONNX -> Caffe 的转换路径，推荐使用工具：ONNXToCaffe。

若您仍需使用本工具进行模型转换或分析，请参考以下指南。

1. 环境准备

系统要求

• 操作系统：Linux / macOS (Windows 需自行配置环境)
• Python 版本：Python 2.7 或 Python 3.x
• PyTorch 版本：支持 >= 0.2 (已测试 0.3, 0.3.1, 0.4, 0.4.1, 1.0, 1.2)
  • 注意：暂不支持 PyTorch 1.1 版本。

前置依赖

确保已安装对应的深度学习框架：

• pytorch
• caffe (用于验证和部署分析)

推荐环境配置方式： 为了保证 PyTorch 和 Caffe 在同一环境中运行以便进行输出验证，推荐使用 Conda 或 Docker。

方案 A: 使用 Conda (推荐)

conda install caffe-gpu pytorch cudatoolkit=9.0 -c pytorch

方案 B: 使用 Docker (国内加速) 对于 CUDA 9.0:

docker pull ufoym/deepo:all-py36-cu90

对于 CUDA 10.0:

docker pull ufoym/deepo:all-py36-cu100

2. 安装步骤

本工具主要基于源码运行，无需复杂的 pip 安装过程。

1. 克隆仓库

   git clone https://github.com/xxradon/PytorchToCaffe.git
   cd PytorchToCaffe
   

   (注：原项目地址可能已归档，若无法访问请检查相关 Fork 版本或参考 README 中提到的 nn_tools)

2. 验证依赖 确保在终端中可以正常导入 pytorch 和 caffe：

   python -c "import torch; import caffe; print('Environment OK')"
   

3. 基本使用

本工具主要提供两大功能：模型分析 (Analyser) 和 模型转换 (Converter)。

3.1 模型分析 (Analyser)

用于统计网络各层的输入输出尺寸、运算量 (Ops) 及参数量，便于部署评估。

分析 Caffe 模型

命令格式：python caffe_analyser.py [-h] prototxt outdir shape

示例：分析 ResNet-18 部署文件，输入尺寸为 1x3x224x224

python caffe_analyser.py resnet_18_deploy.prototxt analys_result.csv 1,3,224,224

• resnet_18_deploy.prototxt: 模型结构文件路径
• analys_result.csv: 结果保存路径
• 1,3,224,224: 输入形状 (batch_size, channel, height, width)

分析 PyTorch 模型

命令格式：python pytorch_analyser.py [-h] [--out OUT] [--class_args ARGS] path name shape

示例：分析当前目录下 example 文件夹中的 ResNet-18 类

python pytorch_analyser.py example/resnet_pytorch_analysis_example.py resnet18 1,3,224,224

• path: 包含模型类定义的 Python 文件路径
• name: 类名或实例名
• shape: 输入形状

3.2 模型转换 (Pytorch to Caffe)

将 PyTorch 模型转换为 Caffe 的 .prototxt 和 .caffemodel 文件。

支持的操作层： 涵盖常用层如 Conv2d, Linear, Pooling, ReLU, BatchNorm, Softmax, Concat, Slice 等，以及部分 Tensor 操作 (view, add, mul, sum 等)。 注意：BatchNorm 层转换时需特别注意 momentum (默认 0.1) 和 eps (默认 1e-5) 参数的一致性。

使用示例： 参考官方提供的 AlexNet 转换示例：

python3 example/alexnet_pytorch_to_caffe.py

您需要编写类似的脚本，加载您的 PyTorch 模型，调用转换接口，并保存生成的 Caffe 文件。

3.3 部署验证 (Deploy Verify)

非常重要：转换完成后，必须验证 PyTorch 模型与转换后的 Caffe 模型在相同输入下的输出是否一致。

使用提供的验证脚本：

python example/verify_deploy.py

该脚本会在同一环境下加载两种模型，输入相同数据并对比输出差异。由于实现细节差异，输出可能存在微小偏差，需在可接受范围内。