update onnx usage.

README.md

@@ -409,11 +409,77 @@ if __name__ == '__main__':
 
 #### ONNX推理加速
 
-支持将训练好的模型导出为ONNX格式，以便推理加速，或者在其他环境如C++部署模型调用，示例[examples/onnx_predict_demo.py](https://github.com/shibing624/pytextclassifier/blob/master/examples/onnx_predict_demo.py)
+支持将训练好的模型导出为ONNX格式，以便推理加速，或者在其他环境如C++部署模型调用。
 
 - GPU环境下导出ONNX模型，用ONNX模型推理，可以获得10倍以上的推理加速，需要安装`onnxruntime-gpu`库：`pip install onnxruntime-gpu`
-- CPU环境下导出ONNX模型，用ONNX模型推理，可以获得5倍以上的推理加速，需要安装`onnxruntime`库：`pip install onnxruntime`
+- CPU环境下导出ONNX模型，用ONNX模型推理，可以获得6倍以上的推理加速，需要安装`onnxruntime`库：`pip install onnxruntime`
 
+示例[examples/onnx_predict_demo.py](https://github.com/shibing624/pytextclassifier/blob/master/examples/onnx_predict_demo.py)
+
+```python
+import os
+import shutil
+import sys
+import time
+
+import torch
+
+sys.path.append('..')
+from pytextclassifier import BertClassifier
+
+m = BertClassifier(output_dir='models/bert-chinese-v1', num_classes=2,
+                   model_type='bert', model_name='bert-base-chinese', num_epochs=1)
+data = [
+    ('education', '名师指导托福语法技巧：名词的复数形式'),
+    ('education', '中国高考成绩海外认可 是“狼来了”吗？'),
+    ('education', '公务员考虑越来越吃香，这是怎么回事？'),
+    ('education', '公务员考虑越来越吃香，这是怎么回事1？'),
+    ('education', '公务员考虑越来越吃香，这是怎么回事2？'),
+    ('education', '公务员考虑越来越吃香，这是怎么回事3？'),
+    ('education', '公务员考虑越来越吃香，这是怎么回事4？'),
+    ('sports', '图文：法网孟菲尔斯苦战进16强 孟菲尔斯怒吼'),
+    ('sports', '四川丹棱举行全国长距登山挑战赛 近万人参与'),
+    ('sports', '米兰客场8战不败国米10年连胜1'),
+    ('sports', '米兰客场8战不败国米10年连胜2'),
+    ('sports', '米兰客场8战不败国米10年连胜3'),
+    ('sports', '米兰客场8战不败国米10年连胜4'),
+    ('sports', '米兰客场8战不败国米10年连胜5'),
+]
+m.train(data * 10)
+m.load_model()
+
+samples = ['名师指导托福语法技巧',
+           '米兰客场8战不败',
+           '恒生AH溢指收平 A股对H股折价1.95%'] * 100
+
+start_time = time.time()
+predict_label_bert, predict_proba_bert = m.predict(samples)
+print(f'predict_label_bert size: {len(predict_label_bert)}')
+end_time = time.time()
+elapsed_time_bert = end_time - start_time
+print(f'Standard BERT model prediction time: {elapsed_time_bert} seconds')
+
+# convert to onnx, and load onnx model to predict, speed up 10x
+save_onnx_dir = 'models/bert-chinese-v1/onnx'
+m.model.convert_to_onnx(save_onnx_dir)
+# copy label_vocab.json to save_onnx_dir
+if os.path.exists(m.label_vocab_path):
+    shutil.copy(m.label_vocab_path, save_onnx_dir)
+
+# Manually delete the model and clear CUDA cache
+del m
+torch.cuda.empty_cache()
+
+m = BertClassifier(output_dir=save_onnx_dir, num_classes=2, model_type='bert', model_name=save_onnx_dir,
+                   args={"onnx": True})
+m.load_model()
+start_time = time.time()
+predict_label_bert, predict_proba_bert = m.predict(samples)
+print(f'predict_label_bert size: {len(predict_label_bert)}')
+end_time = time.time()
+elapsed_time_onnx = end_time - start_time
+print(f'ONNX model prediction time: {elapsed_time_onnx} seconds')
+```
 
 ## Evaluation