pt --> torchscript --> pnnx --> ncnn
import os
import torch
import torchvision
import torch.onnx
# 0. pt模型下载及初始化
model = torchvision.models.resnet18(pretrained=True)
x = torch.rand(1, 3, 224, 224) # 入口参数
# 方法1： pnnx
# 1. pt --> torchscript
traced_script_module = torch.jit.trace(model, x, strict=False)
traced_script_module.save("ts.pt")
# 2. ts --> pnnx --> ncnn
os.system("pnnx ts.pt inputshape=[1,3,224,224]") # 2022年5月25日起，pnnx默认自动量化，不需要再次optmize
# # 方法2：onnx
# # 1. pt ---> onnx
# torch_out = torch.onnx._export(model, x, "resnet18.onnx", export_params=True)
# # 2. onnx --> onnxsim
# os.system("python3 -m onnxsim resnet18.onnx sim.onnx")
# # 3. onnx --> ncnn
# os.system("onnx2ncnn sim.onnx ncnn.param ncnn.bin")
# # 4. ncnn --> optmize ---> ncnn
# os.system("ncnnoptimize ncnn.param ncnn.bin opt.param opt.bin 1") # 数字0 代表fp32 ；1代表fp16
# 两种方法都可以转换成ncnn