计算机视觉+人工智能面试笔试总结——ONNX模型

目录

1.ONNX概述

2.为什么使用通用IR

3.ONNX 规范

4.Operators Sets

5.运算符集(`Operators Sets`)对象的属性

6.ONNX Operator

7.ONNX Graph

8.ValueInfo

9.Standard data types

10.创建ONNX模型

11.检查模型

12.实用功能函数

---

1.ONNX概述

深度学习算法大多通过计算数据流图来完成神经网络的深度学习过程。 一些框架（例如CNTK，Caffe2，Theano和TensorFlow）使用**静态图形**，而其他框架（例如 PyTorch 和 Chainer）使用**动态图形**。 但是这些框架都提供了接口，使开发人员可以轻松构建计算图和运行时，以优化的方式处理图。 这些图用作中间表示（IR），捕获开发人员源代码的特定意图，有助于优化和转换在特定设备（CPU，GPU，FPGA等）上运行。
 

2.为什么使用通用IR

现在很多的深度学习框架提供的功能都是类似的，但是在 API、计算图和 runtime 方面却是独立的，这就给 AI 开发者在不同平台部署不同模型带来了很多困难和挑战，ONNX 的目的在于提供一个跨框架的模型中间表达框架，用于模型转换和部署。ONNX 提供的计算图是通用的，格式也是开源的。
 

3.ONNX 规范