X2Paddle支持将其余深度学习框架训练得到的模型，转换至PaddlePaddle模型。
##CPU版本安装命令pipinstall-fhttps://paddlepaddle.org.cn/pip/oschina/cpupaddlepaddle##GPU版本安装命令pipinstall-fhttps://paddlepaddle.org.cn/pip/oschina/gpupaddlepaddle-gpu环境依赖python>=3.5paddlepaddle>=1.5.0
以下依赖只需对应安装自己需要的即可转换tensorflow模型：tensorflow==1.14.0转换caffe模型：caffe==1.0.0转换onnx模型：onnx==1.5.0pytorch==1.1.0
安装安装方式一（推荐）使用最新的代码版本，可使用如下方式进行安装
pipinstallgit+https://github.com/PaddlePaddle/X2Paddle.git@develop安装方式二我们会定期更新pip源上的x2paddle版本
pipinstallx2paddle安装方式三gitclonehttps://github.com/PaddlePaddle/X2Paddle.gitcdX2Paddlegitcheckoutdeveloppythonsetup.pyinstall使用方法TensorFlowx2paddle--framework=tensorflow--model=tf_model.pb--save_dir=pd_modelCaffex2paddle--framework=caffe--prototxt=deploy.proto--weight=deploy.caffemodel--save_dir=pd_modelONNXx2paddle--framework=onnx--model=onnx_model.onnx--save_dir=pd_model参数选项参数 --framework源模型类型(tensorflow、caffe、onnx)--prototxt当framework为caffe时，该参数指定caffe模型的proto文件路径--weight当framework为caffe时，该参数指定caffe模型的参数文件路径--save_dir指定转换后的模型保存目录路径--model当framework为tensorflow/pmmx时，该参数指定tensorflow的pb模型文件或onnx模型路径--caffe_proto[可选]由caffe.proto编译成caffe_pb2.py文件的存放路径，当存在自定义Layer时使用，默认为None使用转换后的模型转换后的模型包括model_with_code和inference_model两个目录。model_with_code中保存了模型参数，和转换后的python模型代码inference_model中保存了序列化的模型结构和参数，可直接使用paddle的接口进行加载，见load_inference_model
评论