Mxnet模型檔案轉換為Pb模型檔案

最近因為工作上需要將Mxnet模型檔案轉為tensorflow使用的PB檔案，特地研究了下。多數思路是先將Mxnet模型轉為caffe模型，然後再轉為tensorflow模型，但這些方法比較小眾，通用性不強，轉換過程出錯概率很高。
今年年初，微軟開源了MMdnn，這是一套用於轉換、視覺化深度神經網路模型的綜合性解決方案。MMdnn中的「MM」代表模型管理，「dnn」的意思是深度神經網路，它能夠通過中間表徵格式讓訓練模型在Caffe、Keras、MXNet、Tensorflow、CNTK、PyTorch和CoreML等深度學習框架之間轉換，幫助開發者實現模型在不同框架之間的互動。
支援框架如下圖：

本文記錄轉換過程：
mmdnn：0.2.5
tensorflow：1.13
mxnet：1.2.0

step1：convert the model to intermediate representation format.
命令：
python3 -m mmdnn.conversion._script.convertToIR -f mxnet -n model-symbol.json -w model-0000.params -d resnet100 --inputShape 3,112,112
此過程生成檔案列表：
IR network structure is saved as [resnet100.json].
IR network structure is saved as [resnet100.pb].
IR weights are saved as [resnet100.npy].

Step2：convert to tensorflow code
命令：
python3 -m mmdnn.conversion._script.IRToCode -f tensorflow --IRModelPath resnet100.pb --IRWeightPath resnet100.npy --dstModelPath tf_resnet100.py
或者
mmtocode -f tensorflow --IRModelPath resnet100.pb --IRWeightPath resnet100.npy --dstModelPath tf_resnet100.py
生成檔案如下：
tf_resnet100.py

Step3：convert to tensorflow file
命令：
mmtomodel -f tensorflow -in tf_resnet100.py -iw resnet100.npy -o tf_resnet1001 --dump_tag SERVING
或者
mmtomodel -f tensorflow -in tf_resnet100.py -iw resnet100.npy -o tf_resnet100_train1 --dump_tag TRAINING
生成配置的-o路徑，裡面包含了pb檔案。

Step4：frozen pb model file
此步驟根據需要，如果要生成固化模型，可以使用freeze_graph.py固化。

Step5：模型使用
這一步發揮空間較大，可以使用Step1生成的檔案，可以使用Step3生成的pb，也可以使用Step4生成的pb檔案。
但是模型輸出跟原始的mxnet模型不一樣，差別較大，需要進行轉換後使用，精度有少許下降。