如何快速上手Forge Pump Surrogate从ONNX到TensorFlow的多运行时推理教程【免费下载链接】forge-pump-surrogate-multiruntime项目地址: https://ai.gitcode.com/hf_mirrors/sankalpsthakur/forge-pump-surrogate-multiruntimeForge Pump Surrogate是一个强大的泵代理模型工具支持ONNX、PyTorch和TensorFlow等多种运行时环境能帮助开发者轻松实现跨平台的泵系统推理。本教程将带你快速掌握从环境搭建到多运行时推理的完整流程让你在不同场景下都能高效使用这个工具。 环境准备轻松搭建开发环境要开始使用Forge Pump Surrogate首先需要准备好开发环境。你需要安装Python以及相关的依赖库。项目的依赖信息在requirements.txt文件中里面列出了所有必要的Python包及其版本。你可以使用以下命令克隆项目仓库并安装依赖git clone https://gitcode.com/hf_mirrors/sankalpsthakur/forge-pump-surrogate-multiruntime cd forge-pump-surrogate-multiruntime pip install -r requirements.txt安装完成后你就拥有了使用Forge Pump Surrogate的基本环境。这个环境支持后续的模型训练、转换和推理等所有操作。 项目结构解析了解核心组件Forge Pump Surrogate的项目结构清晰各个目录和文件都有明确的功能划分。让我们来了解一下主要的组成部分edge/包含边缘设备相关的推理代码如edge/inference_onnx.py是ONNX格式模型的推理脚本。onnx/存放ONNX格式的模型文件onnx/model.onnx。pytorch/包含PyTorch相关的模型文件如model_state.pt是模型的状态文件。src/源代码目录其中src/model.py定义了PumpSurrogate模型src/build_release.py是构建和导出模型的关键脚本。tensorflow/存放TensorFlow格式的模型如model.keras和model.tflite。通过这个结构你可以很容易地找到不同运行时环境下的模型和相关代码为后续的使用和扩展提供了便利。 模型导出流程从PyTorch到多运行时Forge Pump Surrogate的一大特色是支持多种运行时环境这得益于其完善的模型导出流程。在src/build_release.py中定义了将PyTorch模型导出为ONNX、TensorFlow和TFLite格式的完整过程。PyTorch模型保存首先训练好的PyTorch模型会被保存为状态文件和脚本文件torch.save(model.state_dict(), model_dir / pytorch / model_state.pt) traced torch.jit.trace(model, example) traced.save(str(model_dir / pytorch / model.ts))导出为ONNX格式接着使用PyTorch的ONNX导出功能将模型转换为ONNX格式onnx_path model_dir / onnx / model.onnx torch.onnx.export( model, example, onnx_path, input_names[features], output_names[outputs], dynamic_axes{features: {0: batch}, outputs: {0: batch}}, opset_version18, dynamoFalse, )导出为TensorFlow和TFLite格式最后通过自定义的export_tensorflow函数将模型转换为TensorFlow的Keras格式和TFLite格式def export_tensorflow(model: PumpSurrogate, model_dir: Path) - tuple[Path, Path]: # ... 代码省略 ... keras_path model_dir / tensorflow / model.keras keras_model.save(keras_path) converter tf.lite.TFLiteConverter.from_keras_model(keras_model) tflite converter.convert() tflite_path model_dir / tensorflow / model.tflite tflite_path.write_bytes(tflite) return keras_path, tflite_path这个完整的导出流程确保了模型可以在不同的运行时环境中使用极大地扩展了模型的应用场景。 多运行时推理教程轻松实现跨平台部署Forge Pump Surrogate支持在多种运行时环境下进行推理下面我们分别介绍在ONNX、PyTorch和TensorFlow环境下的推理方法。ONNX运行时推理ONNX格式的模型可以使用ONNX Runtime进行推理。在edge/inference_onnx.py中定义了使用ONNX模型进行推理的方法parser.add_argument(--model, typePath, defaultPath(onnx/model.onnx)) # ... 代码省略 ... ort_session ort.InferenceSession(str(args.model), providers[CPUExecutionProvider]) results ort_session.run([outputs], {features: input_data.astype(np.float32)})PyTorch运行时推理PyTorch模型可以直接加载进行推理model PumpSurrogate(input_mean, input_std, output_mean, output_std) model.load_state_dict(torch.load(pytorch/model_state.pt)) model.eval() with torch.no_grad(): prediction model(input_tensor)TensorFlow运行时推理TensorFlow的Keras模型和TFLite模型也都可以方便地进行推理# Keras模型推理 keras_model tf.keras.models.load_model(tensorflow/model.keras) prediction keras_model(input_data, trainingFalse).numpy() # TFLite模型推理 interpreter tf.lite.Interpreter(model_pathtensorflow/model.tflite) interpreter.allocate_tensors() input_details interpreter.get_input_details() output_details interpreter.get_output_details() interpreter.set_tensor(input_details[0][index], input_data) interpreter.invoke() prediction interpreter.get_tensor(output_details[0][index])通过这些简单的代码你可以在不同的运行时环境中轻松实现模型推理满足各种部署需求。 模型性能评估确保推理质量Forge Pump Surrogate还提供了完善的模型性能评估功能。在src/build_release.py中定义了回归指标计算和跨运行时一致性检查等功能。回归指标计算通过regression_metrics函数可以计算模型的MAE、RMSE和R²等指标def regression_metrics(actual: np.ndarray, predicted: np.ndarray) - dict[str, dict[str, float]]: metrics: dict[str, dict[str, float]] {} for index, name in enumerate(TARGET_NAMES): truth actual[:, index] pred predicted[:, index] mae float(np.mean(np.abs(pred - truth))) rmse float(np.sqrt(np.mean((pred - truth) ** 2))) denom float(np.sum((truth - np.mean(truth)) ** 2)) r2 1.0 - float(np.sum((truth - pred) ** 2)) / denom if denom else 1.0 metrics[name] {mae: mae, rmse: rmse, r2: r2} return metrics跨运行时一致性检查为了确保不同运行时环境下模型推理结果的一致性项目中还进行了严格的一致性检查onnx_delta float(np.max(np.abs(torch_pred[:32] - onnx_pred[:32]))) tensorflow_delta float(np.max(np.abs(torch_pred[:32] - keras_pred[:32]))) litert_delta float(np.max(np.abs(torch_pred[:32] - tflite_pred))) conformance_passed max(onnx_delta, tensorflow_delta, litert_delta) 1e-3这些评估功能确保了你使用的模型具有良好的性能和跨平台一致性可以放心地在各种场景中应用。 总结快速掌握多运行时推理通过本教程你已经了解了Forge Pump Surrogate的环境搭建、项目结构、模型导出流程、多运行时推理方法以及性能评估等方面的内容。现在你可以轻松地在不同的运行时环境中使用这个泵代理模型工具满足各种实际应用需求。无论是在边缘设备上使用ONNX Runtime进行高效推理还是在PyTorch或TensorFlow环境中进行模型训练和部署Forge Pump Surrogate都能为你提供强大的支持。开始使用它体验多运行时推理带来的便利和灵活性吧【免费下载链接】forge-pump-surrogate-multiruntime项目地址: https://ai.gitcode.com/hf_mirrors/sankalpsthakur/forge-pump-surrogate-multiruntime创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
如何快速上手Forge Pump Surrogate从ONNX到TensorFlow的多运行时推理教程【免费下载链接】forge-pump-surrogate-multiruntime项目地址: https://ai.gitcode.com/hf_mirrors/sankalpsthakur/forge-pump-surrogate-multiruntimeForge Pump Surrogate是一个强大的泵代理模型工具支持ONNX、PyTorch和TensorFlow等多种运行时环境能帮助开发者轻松实现跨平台的泵系统推理。本教程将带你快速掌握从环境搭建到多运行时推理的完整流程让你在不同场景下都能高效使用这个工具。 环境准备轻松搭建开发环境要开始使用Forge Pump Surrogate首先需要准备好开发环境。你需要安装Python以及相关的依赖库。项目的依赖信息在requirements.txt文件中里面列出了所有必要的Python包及其版本。你可以使用以下命令克隆项目仓库并安装依赖git clone https://gitcode.com/hf_mirrors/sankalpsthakur/forge-pump-surrogate-multiruntime cd forge-pump-surrogate-multiruntime pip install -r requirements.txt安装完成后你就拥有了使用Forge Pump Surrogate的基本环境。这个环境支持后续的模型训练、转换和推理等所有操作。 项目结构解析了解核心组件Forge Pump Surrogate的项目结构清晰各个目录和文件都有明确的功能划分。让我们来了解一下主要的组成部分edge/包含边缘设备相关的推理代码如edge/inference_onnx.py是ONNX格式模型的推理脚本。onnx/存放ONNX格式的模型文件onnx/model.onnx。pytorch/包含PyTorch相关的模型文件如model_state.pt是模型的状态文件。src/源代码目录其中src/model.py定义了PumpSurrogate模型src/build_release.py是构建和导出模型的关键脚本。tensorflow/存放TensorFlow格式的模型如model.keras和model.tflite。通过这个结构你可以很容易地找到不同运行时环境下的模型和相关代码为后续的使用和扩展提供了便利。 模型导出流程从PyTorch到多运行时Forge Pump Surrogate的一大特色是支持多种运行时环境这得益于其完善的模型导出流程。在src/build_release.py中定义了将PyTorch模型导出为ONNX、TensorFlow和TFLite格式的完整过程。PyTorch模型保存首先训练好的PyTorch模型会被保存为状态文件和脚本文件torch.save(model.state_dict(), model_dir / pytorch / model_state.pt) traced torch.jit.trace(model, example) traced.save(str(model_dir / pytorch / model.ts))导出为ONNX格式接着使用PyTorch的ONNX导出功能将模型转换为ONNX格式onnx_path model_dir / onnx / model.onnx torch.onnx.export( model, example, onnx_path, input_names[features], output_names[outputs], dynamic_axes{features: {0: batch}, outputs: {0: batch}}, opset_version18, dynamoFalse, )导出为TensorFlow和TFLite格式最后通过自定义的export_tensorflow函数将模型转换为TensorFlow的Keras格式和TFLite格式def export_tensorflow(model: PumpSurrogate, model_dir: Path) - tuple[Path, Path]: # ... 代码省略 ... keras_path model_dir / tensorflow / model.keras keras_model.save(keras_path) converter tf.lite.TFLiteConverter.from_keras_model(keras_model) tflite converter.convert() tflite_path model_dir / tensorflow / model.tflite tflite_path.write_bytes(tflite) return keras_path, tflite_path这个完整的导出流程确保了模型可以在不同的运行时环境中使用极大地扩展了模型的应用场景。 多运行时推理教程轻松实现跨平台部署Forge Pump Surrogate支持在多种运行时环境下进行推理下面我们分别介绍在ONNX、PyTorch和TensorFlow环境下的推理方法。ONNX运行时推理ONNX格式的模型可以使用ONNX Runtime进行推理。在edge/inference_onnx.py中定义了使用ONNX模型进行推理的方法parser.add_argument(--model, typePath, defaultPath(onnx/model.onnx)) # ... 代码省略 ... ort_session ort.InferenceSession(str(args.model), providers[CPUExecutionProvider]) results ort_session.run([outputs], {features: input_data.astype(np.float32)})PyTorch运行时推理PyTorch模型可以直接加载进行推理model PumpSurrogate(input_mean, input_std, output_mean, output_std) model.load_state_dict(torch.load(pytorch/model_state.pt)) model.eval() with torch.no_grad(): prediction model(input_tensor)TensorFlow运行时推理TensorFlow的Keras模型和TFLite模型也都可以方便地进行推理# Keras模型推理 keras_model tf.keras.models.load_model(tensorflow/model.keras) prediction keras_model(input_data, trainingFalse).numpy() # TFLite模型推理 interpreter tf.lite.Interpreter(model_pathtensorflow/model.tflite) interpreter.allocate_tensors() input_details interpreter.get_input_details() output_details interpreter.get_output_details() interpreter.set_tensor(input_details[0][index], input_data) interpreter.invoke() prediction interpreter.get_tensor(output_details[0][index])通过这些简单的代码你可以在不同的运行时环境中轻松实现模型推理满足各种部署需求。 模型性能评估确保推理质量Forge Pump Surrogate还提供了完善的模型性能评估功能。在src/build_release.py中定义了回归指标计算和跨运行时一致性检查等功能。回归指标计算通过regression_metrics函数可以计算模型的MAE、RMSE和R²等指标def regression_metrics(actual: np.ndarray, predicted: np.ndarray) - dict[str, dict[str, float]]: metrics: dict[str, dict[str, float]] {} for index, name in enumerate(TARGET_NAMES): truth actual[:, index] pred predicted[:, index] mae float(np.mean(np.abs(pred - truth))) rmse float(np.sqrt(np.mean((pred - truth) ** 2))) denom float(np.sum((truth - np.mean(truth)) ** 2)) r2 1.0 - float(np.sum((truth - pred) ** 2)) / denom if denom else 1.0 metrics[name] {mae: mae, rmse: rmse, r2: r2} return metrics跨运行时一致性检查为了确保不同运行时环境下模型推理结果的一致性项目中还进行了严格的一致性检查onnx_delta float(np.max(np.abs(torch_pred[:32] - onnx_pred[:32]))) tensorflow_delta float(np.max(np.abs(torch_pred[:32] - keras_pred[:32]))) litert_delta float(np.max(np.abs(torch_pred[:32] - tflite_pred))) conformance_passed max(onnx_delta, tensorflow_delta, litert_delta) 1e-3这些评估功能确保了你使用的模型具有良好的性能和跨平台一致性可以放心地在各种场景中应用。 总结快速掌握多运行时推理通过本教程你已经了解了Forge Pump Surrogate的环境搭建、项目结构、模型导出流程、多运行时推理方法以及性能评估等方面的内容。现在你可以轻松地在不同的运行时环境中使用这个泵代理模型工具满足各种实际应用需求。无论是在边缘设备上使用ONNX Runtime进行高效推理还是在PyTorch或TensorFlow环境中进行模型训练和部署Forge Pump Surrogate都能为你提供强大的支持。开始使用它体验多运行时推理带来的便利和灵活性吧【免费下载链接】forge-pump-surrogate-multiruntime项目地址: https://ai.gitcode.com/hf_mirrors/sankalpsthakur/forge-pump-surrogate-multiruntime创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
