MMdnn 是一个用于转换、可视化和诊断深度神经网络模型的综合性、跨框架的解决方案。MMdnn 中的「MM」代表模型管理，「dnn」是「deep neural network」（深度神经网络）的缩写。
MMdnn 可将一个框架训练的 DNN 模型转换到其他框架可用。其主要特征包括：
模型文件转换器，转换 DNN 模型使之适合不同框架；
模型代码块生成器，生成适合不同框架的训练或推断代码块；
模型可视化，针对不同框架可视化 DNN 网络架构和参数；
模型兼容性测试（正在进行）。
通过以下命令行获取稳定版的 mmdnn：
pip install https://github.com/Microsoft/MMdnn/releases/download/0.1.3/mmdnn-0.1.3-py2.py3-none-any.whl
或者通过以下命令尝试最新版本：
pip install -U git+https://github.com/Microsoft/MMdnn.git@master
业界和学界存在大量现有框架，适合开发者和研究者来设计模型，每个框架具备自己的网络结构定义和模型保存格式。框架之间的差距阻碍了模型的交互操作。
我们提供一个模型转换器，帮助开发者通过中间表征格式转换模型，以适合不同框架。
每个支持的框架都有详细的 README 文档，它们可以在以下conversion件夹找到。
地址：https://github.com/Microsoft/MMdnn/tree/master/mmdnn/conversion
Caffe
Keras
MXNet
TensorFlow（实验阶段，强烈建议先阅读 README）
Microsoft Cognitive Toolkit (CNTK)
PyTorch
CoreML（实验阶段）
我们在部分 ImageNet 模型上对当前支持的框架间模型转换功能进行了测试。
正在测试的框架：
PyTorch
CNTK
Caffe2
ONNX
正在测试的模型：
RNN
图像风格迁移
目标检测
你可以使用 MMdnn 模型可视化工具（http://vis.mmdnn.com/），提交自己的 IR json 文件进行模型可视化。为了运行下面的命令行，你需要使用喜欢的包管理器安装 requests、Keras、TensorFlow。
使用 Keras inception_v3 模型作为示例。
1. 下载预训练模型：
python -m mmdnn.conversion.examples.keras.extract_model -n inception_v3
2. 将预训练模型文件转换成中间表征格式：
python3 -m mmdnn.conversion._.convertToIR -f keras -d keras_inception_v3 -n imagenet_inception_v3.json
3. 打开 MMdnn 模型可视化工具地址（http://mmdnn.eastasia.cloudapp.azure.com:8080/），选择文件 keras_inception_v3.json。
本项目仍在继续开发与探索，它需要各位读者完善中间表征与支持的框架。因此，该项目的作者表示他非常希望有开发者能提供新的运算或扩展。
中间表征：中间表征在 protobuf 二进制文件中储存网络架构，在 NumPynative 格式中储存预训练权重。此外，目前 IR 权重数据使用的是 NHWC 格式。中间表征的细节请查看 ops.txt 和 graph.proto 文件。
框架：我们正在扩展到其它框架版本和可视化工具，例如 Caffe2、PyTorch 和 CoreML 等。此外，本项目也在积极开发 RNN 相关的操作方法。
以下是该项目实现框架转换的基本案例，其中包括官方的教程和用户提供的各种案例，机器之心简要介绍了官方 Keras 到 CNTK 的转换教程。
官方教程：
Keras "inception_v3" to CNTK
用户案例：
MXNet "resnet 152 11k" to PyTorch
MXNet "resnext" to Keras
Tensorflow "resnet 101" to PyTorch
Tensorflow "mnist mlp model" to CNTK
Tensorflow "Inception_v3" to MXNet
Caffe "AlexNet" to Tensorflow
Caffe "inception_v4" to Tensorflow
Caffe "VGG16_SOD" to Tensorflow
Caffe "Squeezenet v1.1" to CNTK
pip install keras pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.3-cp27-cp27mu-linux_x86_64.whl
or
pip install https://cntk.ai/PythonWheel/CPU-Only/cntk-2.3-cp35-cp35m-linux_x86_64.whl
以下示例将首先下载预训练模型，然后使用简单的模型抽取器从 Keras 应用中获取模型，抽取器将抽取 Keras 模型架构和权重。
$ python -m mmdnn.conversion.examples.keras.extract_model -n inception_v3 Using TensorFlow backend. Downloading data from https://github.com/fchollet/deep-learning-models/releases/download/v0.5/inception_v3_weights_tf_dim_ordering_tf_kernels.h5 96075776/96112376 [============================>.] - ETA: 0s . . . Network structure is saved as [imagenet_inception_v3.json]. Network weights are saved as [imagenet_inception_v3.h5].
架构文件 imagenet_inception_v3.json 和权重文件 imagenet_inception_v3.h5 会下载至当前工作目录。
$ python -m mmdnn.conversion._.convertToIR -f keras -d converted -n imagenet_inception_v3.json -w imagenet_inception_v3.h5 Using TensorFlow backend. . . . Network file [imagenet_inception_v3.json] is loaded successfully. IR network structure is saved as [converted.json]. IR network structure is saved as [converted.pb]. IR weights are saved as [converted.npy].
以上的命令会将 imagenet_inception_v3.json 作为神经网络架构的描述文件，imagenet_inception_v3.h5 作为预训练权重。然后计算出中间表征文件 converted.json 用于可视化，计算出 converted.proto 和 converted.npy 以进一步转换为其它框架。
$ python -m mmdnn.conversion._.IRToCode -f cntk -d converted_cntk.py -n converted.pb -w converted.npy Parse file [converted.pb] with binary format successfully. Target network code snippet is saved as [converted_cntk.py].
你将得到文件 converted_cntk.py，包括构建 Inception V3 网络的原始 CNTK 代码。
经过这三步，你已经将预训练 Keras Inception_v3 模型转换成 CNTK 网络文件 converted_cntk.py 和权重文件 converted.npy。你可以用这两个文件调整训练或推断。
$ python -m mmdnn.conversion.examples.cntk.imagenet_test -n converted_cntk -w converted.npy --dump cntk_inception_v3.dnn . . . CNTK model file is saved as [cntk_inception_v3.dnn], generated by [converted_cntk.py] and [converted.npy].
CNTK 可直接加载文件 cntk_inception_v3.dnn。
