【深度学习】ONNX介绍

ONNX（Open Neural Network Exchange）
ONNX 是一种用于表示深度学习模型的开放格式，使得不同深度学习框架（如 PyTorch、TensorFlow、Caffe2 等）之间的模型能够相互交换。

需安装：

pip install --upgrade onnx onnxscript onnxruntime

Pytorch张量

可使用torch.rand()方法创建0～1均匀分布的随机数，使用torch.randn()方法创建标准正态分布随机数，使用torch.zeros()和torch.ones()方法创建全0和全1的张量。
在构造张量时使用dtype明确其类型。

PyTorch针对torch.float32和torch.int64类型有专门这样的简写形式是因为，这两种类型特别重要，模型的输入类型一般都是torch.float32，而模型分类问题的标签类型一般为torch.int64。

torch.onnx.export 是 PyTorch 自带的把模型转换成 ONNX 格式的函数。前三个参数分别是要转换的模型、模型的任意一组输入、导出的 ONNX 文件的文件名。

简单示例

import torch  
import torchvision.models as models  
  
# 加载一个预训练的 PyTorch 模型  
model = models.resnet18(pretrained=True)  
model.eval()  
  
# 创建一个虚拟输入张量（这里使用随机数据）  
dummy_input = torch.randn(1, 3, 224, 224)  # 假设输入是一张 224x224 的 RGB 图像  
  
# 导出模型为 ONNX 格式  
torch.onnx.export(model, dummy_input, "resnet18.onnx", verbose=True, input_names=["input_0"], output_names=["output_0"])

注意点：

• 确保你的 PyTorch 模型在导出之前已经处于评估模式（model.eval()）

• 示例输入（dummy input）应该与你的模型训练时使用的输入具有相同的形状和数据类型。

• 在将输入数据传递给 ONNX Runtime 之前，请确保它们已经转换为 NumPy 数组，并且位于 CPU 上