不同框架训练出来的模型如何互相转化,同时查看模型内部内容

1. 什么是ONNX：
   ONNX是一个开放的生态系统，允许AI开发者选择合适的工具，不会被特定的框架或库所限制。

2. ONNX的用途：

• 跨框架模型转换：允许在不同的深度学习框架之间转换模型。
• 模型优化：提供了一套标准的模型优化工具。
• 部署灵活性：便于将模型部署到各种硬件平台。

3. 为什么使用ONNX：

• 互操作性：解决了不同框架之间的兼容性问题。
• 性能优化：ONNX Runtime可以自动优化模型性能。
• 跨平台部署：简化了模型在不同环境中的部署过程。

4. 如何使用ONNX：
   以下是一个使用PyTorch将模型转换为ONNX格式的示例：

import torch
import torchvision

# 加载预训练的ResNet模型
model = torchvision.models.resnet18(pretrained=True)
model.eval()

# 创建一个示例输入
dummy_input = torch.randn(1, 3, 224, 224)

# 导出模型为ONNX格式
torch.onnx.export(model,               # 要导出的模型
                  dummy_input,         # 模型的输入
                  "resnet18.onnx",     # 输出的ONNX文件名
                  export_params=True,  # 存储训练好的参数权重
                  opset_version=10,    # ONNX版本
                  do_constant_folding=True,  # 是否执行常量折叠优化
                  input_names = ['input'],   # 输入节点的名称
                  output_names = ['output'], # 输出节点的名称
                  dynamic_axes={'input' : {0 : 'batch_size'},    # 批处理维度动态
                                'output' : {0 : 'batch_size'}})

print("Model exported to resnet18.onnx")

5. 使用ONNX Runtime进行推理：

import onnxruntime
import numpy as np

# 加载ONNX模型
session = onnxruntime.InferenceSession("resnet18.onnx")

# 准备输入数据
input_data = np.random.randn(1, 3, 224, 224).astype(np.float32)

# 运行推理
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name
result = session.run([output_name], {input_name: input_data})

print(result[0])

如何查看模型内部文件: