paddle 预训练模型转tensorflow，pytorch #37

wq343580510 · 2019-03-18T11:42:49Z

请问应该怎么把预训练的模型参数转换成其他框架，这样是不是让人能更快上手。试了一下load_param，然后gloab_block()里面也没有参数，load居然返回None，加载的参数保存在哪，文档写的也不清楚，这种设计模式是真的没谁了，load模型参数的过程中，如果出错都不会报错的。

chqiwang · 2019-03-18T12:16:55Z

同问怎么把paddle存的二进制参数文件还原成numpy矩阵

bfjia1 · 2019-03-18T13:16:46Z

paddlepaddle provides the script to convert the tf model to paddlepadlle
https://github.com/PaddlePaddle/X2Paddle
so anyone can convert paddle model to tensorflow?

wq343580510 · 2019-03-19T05:31:08Z

链接:https://pan.baidu.com/s/1AGTOEKmPTogjzUiUpcP0nw 密码:z51a
已转成numpy，拿走不谢，模型300多M, 使用joblib序列化保存，使用方式

import joblib
params = joblib.load('model.dct')
以下是转化的脚本代码

import paddle.fluid as fluid
import joblib
from model.ernie import ErnieConfig
from finetune.classifier import create_model
import numpy as np
import os
import argparse


# import joblib
# params = joblib.load('model.dct')

parser = argparse.ArgumentParser()
parser.add_argument("--init_pretraining_params", default='/Users/qiwang/github-star/paddle/params', type=str, help=".")
parser.add_argument("--ernie_config_path", default='./config/ernie_config.json', type=str, help=".")
parser.add_argument("--max_seq_len", default=10, type=int, help=".")
parser.add_argument("--num_labels", default=2, type=int, help=".")
parser.add_argument("--use_fp16", type=bool, default=False, help="Whether to use fp16 mixed precision training.")
parser.add_argument("--loss_scaling",  type=float,  default=1.0, help="only valid when use_fp16 is enabled.")
startup_prog = fluid.Program()
test_prog = fluid.Program()

place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(startup_prog)

args = parser.parse_args()

ernie_config = ErnieConfig(args.ernie_config_path)
ernie_config.print_config()

with fluid.program_guard(test_prog, startup_prog):
    with fluid.unique_name.guard():
        train_pyreader, graph_vars = create_model(
            args,
            pyreader_name='train_reader',
            ernie_config=ernie_config)

def if_exist(var):
    #print(var.name)
    return os.path.exists(os.path.join(args.init_pretraining_params,var.name))

fluid.io.load_vars(exe, args.init_pretraining_params, main_program=test_prog, predicate=if_exist)
var_dict = {}
for var in startup_prog.list_vars():
    if os.path.exists(os.path.join(args.init_pretraining_params,var.name)):
    #if ( 'encoder' in var.name or 'embedding' in var.name ) and 'tmp' not in var.name:
    #if 'tmp' not in var.name:
        fluid_tensor = fluid.global_scope().find_var(var.name).get_tensor()
        print(var.name, np.array(fluid_tensor).shape)
        var_dict[var.name] = np.array(fluid_tensor)

joblib.dump(var_dict,'model.dct')

kuke · 2019-03-19T06:04:49Z

@wq343580510 谢谢

我们暂时没有支持 PaddlePaddle 模型转其它框架模型的计划，PaddlePaddle 定位于简单易用，推荐你直接使用 Paddle Fluid 来运行 ERNIE/BERT。

TO ALL：

对于用 TensorFlow 训练的 BERT模型，我们已提供了脚本转换成 Paddle Fluid 模型，请参考这里。

关于 Paddle Fluid 加载模型参数，目前已有相关文档可供参考。load_params()等接口本身的返回是None，加载模型后，参数存储在模型运行的 scope 里面，传入的参数main_program 描述了模型结构，关于如何根据 main_program 获取参数列表，在PaddlePaddle/models下也有不少示例可供参考，同样也可以根据参数名从 scope 中获取参数对应的numpy对象，我们会尽快加强相关的文档建设。

chqiwang · 2019-03-19T06:20:36Z

链接:https://pan.baidu.com/s/1AGTOEKmPTogjzUiUpcP0nw 密码:z51a
已转成numpy，拿走不谢，模型300多M, 使用joblib序列化保存，使用方式

import joblib
params = joblib.load('model.dct')
以下是转化的脚本代码

import paddle.fluid as fluid
import joblib
from model.ernie import ErnieConfig
from finetune.classifier import create_model
import numpy as np
import os
import argparse


# import joblib
# params = joblib.load('model.dct')

parser = argparse.ArgumentParser()
parser.add_argument("--init_pretraining_params", default='/Users/qiwang/github-star/paddle/params', type=str, help=".")
parser.add_argument("--ernie_config_path", default='./config/ernie_config.json', type=str, help=".")
parser.add_argument("--max_seq_len", default=10, type=int, help=".")
parser.add_argument("--num_labels", default=2, type=int, help=".")
parser.add_argument("--use_fp16", type=bool, default=False, help="Whether to use fp16 mixed precision training.")
parser.add_argument("--loss_scaling",  type=float,  default=1.0, help="only valid when use_fp16 is enabled.")
startup_prog = fluid.Program()
test_prog = fluid.Program()

place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(startup_prog)

args = parser.parse_args()

ernie_config = ErnieConfig(args.ernie_config_path)
ernie_config.print_config()

with fluid.program_guard(test_prog, startup_prog):
    with fluid.unique_name.guard():
        train_pyreader, graph_vars = create_model(
            args,
            pyreader_name='train_reader',
            ernie_config=ernie_config)

def if_exist(var):
    #print(var.name)
    return os.path.exists(os.path.join(args.init_pretraining_params,var.name))

fluid.io.load_vars(exe, args.init_pretraining_params, main_program=test_prog, predicate=if_exist)
var_dict = {}
for var in startup_prog.list_vars():
    if os.path.exists(os.path.join(args.init_pretraining_params,var.name)):
    #if ( 'encoder' in var.name or 'embedding' in var.name ) and 'tmp' not in var.name:
    #if 'tmp' not in var.name:
        fluid_tensor = fluid.global_scope().find_var(var.name).get_tensor()
        print(var.name, np.array(fluid_tensor).shape)
        var_dict[var.name] = np.array(fluid_tensor)

joblib.dump(var_dict,'model.dct')

多谢大兄弟！

kuke · 2019-03-19T06:36:27Z

Close this issue due to being resolved

zhhongzhi · 2019-04-03T03:42:45Z

链接:https://pan.baidu.com/s/1AGTOEKmPTogjzUiUpcP0nw 密码:z51a
已转成numpy，拿走不谢，模型300多M, 使用joblib序列化保存，使用方式

import joblib
params = joblib.load('model.dct')
以下是转化的脚本代码

import paddle.fluid as fluid
import joblib
from model.ernie import ErnieConfig
from finetune.classifier import create_model
import numpy as np
import os
import argparse


# import joblib
# params = joblib.load('model.dct')

parser = argparse.ArgumentParser()
parser.add_argument("--init_pretraining_params", default='/Users/qiwang/github-star/paddle/params', type=str, help=".")
parser.add_argument("--ernie_config_path", default='./config/ernie_config.json', type=str, help=".")
parser.add_argument("--max_seq_len", default=10, type=int, help=".")
parser.add_argument("--num_labels", default=2, type=int, help=".")
parser.add_argument("--use_fp16", type=bool, default=False, help="Whether to use fp16 mixed precision training.")
parser.add_argument("--loss_scaling",  type=float,  default=1.0, help="only valid when use_fp16 is enabled.")
startup_prog = fluid.Program()
test_prog = fluid.Program()

place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(startup_prog)

args = parser.parse_args()

ernie_config = ErnieConfig(args.ernie_config_path)
ernie_config.print_config()

with fluid.program_guard(test_prog, startup_prog):
    with fluid.unique_name.guard():
        train_pyreader, graph_vars = create_model(
            args,
            pyreader_name='train_reader',
            ernie_config=ernie_config)

def if_exist(var):
    #print(var.name)
    return os.path.exists(os.path.join(args.init_pretraining_params,var.name))

fluid.io.load_vars(exe, args.init_pretraining_params, main_program=test_prog, predicate=if_exist)
var_dict = {}
for var in startup_prog.list_vars():
    if os.path.exists(os.path.join(args.init_pretraining_params,var.name)):
    #if ( 'encoder' in var.name or 'embedding' in var.name ) and 'tmp' not in var.name:
    #if 'tmp' not in var.name:
        fluid_tensor = fluid.global_scope().find_var(var.name).get_tensor()
        print(var.name, np.array(fluid_tensor).shape)
        var_dict[var.name] = np.array(fluid_tensor)

joblib.dump(var_dict,'model.dct')

请问怎么在tf/torch中使用这些参数呢？

randomtutu · 2019-04-03T12:31:51Z

我在pytorch上加载之后，实验结果有很大的差别。
为了找到不同的地方，我将两个框架的模型跑同一数据的前向传播，将每一步的数据进行对比。
结果发现，两个框架上同样的embedding权重（weight），对相同id的embedding居然不同。
我暂时没有对比两个框架的实现方法有何异同。
我推测要么是两个框架的embedding实现方法有差别，要么就是这个脚本保存的权重出现了一点问题。
希望有在做同样的事情的同学和我联系，一起交流。

nghuyong · 2019-05-13T06:32:55Z

我自己实现了一个，欢迎使用
https://github.com/nghuyong/ERNIE-Pytorch

bfjia1 · 2019-05-13T06:42:28Z

我自己实现了一个，欢迎使用
https://github.com/nghuyong/ERNIR-Pytorch

nice job, 有做inference的diff吗？结果是否一致

nghuyong · 2019-05-13T06:44:19Z

我自己实现了一个，欢迎使用
https://github.com/nghuyong/ERNIR-Pytorch

nice job, 有做inference的diff吗？结果是否一致

暂时还没有做，我会补充实验，

Shajiu · 2022-08-20T07:12:21Z

我在pytorch上加载之后，实验结果有很大的差别。为了找到不同的地方，我将两个框架的模型跑同一数据的前向传播，将每一步的数据进行对比。结果发现，两个框架上同样的embedding权重（weight），对相同id的embedding居然不同。我暂时没有对比两个框架的实现方法有何异同。我推测要么是两个框架的embedding实现方法有差别，要么就是这个脚本保存的权重出现了一点问题。希望有在做同样的事情的同学和我联系，一起交流。

请问您处理了么？我最近也在处理此类问题，但是出现如此错误？

nghuyong · 2022-08-22T09:18:36Z

我自己实现了一个，欢迎使用
https://github.com/nghuyong/ERNIR-Pytorch

nice job, 有做inference的diff吗？结果是否一致

已经做了系统的试验，两个版本的推理不存在diff，欢迎使用～

kuke closed this as completed Mar 19, 2019

Jothangan mentioned this issue Mar 19, 2019

embedding #35

Closed

This was referenced Apr 3, 2019

模型转换为pytorch的ckpt并加载之后，同样的id 进行embedding的结果不同 #75

Closed

embedding 的具体实现方式和 pytorch实现的差别 PaddlePaddle/Paddle#16674

Closed

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

paddle 预训练模型转tensorflow，pytorch #37

paddle 预训练模型转tensorflow，pytorch #37

wq343580510 commented Mar 18, 2019

chqiwang commented Mar 18, 2019

bfjia1 commented Mar 18, 2019

wq343580510 commented Mar 19, 2019

kuke commented Mar 19, 2019 •

edited

Loading

chqiwang commented Mar 19, 2019

kuke commented Mar 19, 2019

zhhongzhi commented Apr 3, 2019

randomtutu commented Apr 3, 2019

nghuyong commented May 13, 2019 •

edited

Loading

bfjia1 commented May 13, 2019

nghuyong commented May 13, 2019

Shajiu commented Aug 20, 2022

nghuyong commented Aug 22, 2022 •

edited

Loading

paddle 预训练模型转tensorflow，pytorch #37

paddle 预训练模型转tensorflow，pytorch #37

Comments

wq343580510 commented Mar 18, 2019

chqiwang commented Mar 18, 2019

bfjia1 commented Mar 18, 2019

wq343580510 commented Mar 19, 2019

kuke commented Mar 19, 2019 • edited Loading

chqiwang commented Mar 19, 2019

kuke commented Mar 19, 2019

zhhongzhi commented Apr 3, 2019

randomtutu commented Apr 3, 2019

nghuyong commented May 13, 2019 • edited Loading

bfjia1 commented May 13, 2019

nghuyong commented May 13, 2019

Shajiu commented Aug 20, 2022

nghuyong commented Aug 22, 2022 • edited Loading

kuke commented Mar 19, 2019 •

edited

Loading

nghuyong commented May 13, 2019 •

edited

Loading

nghuyong commented Aug 22, 2022 •

edited

Loading