【深度学习】ONNX介绍
发布时间
阅读量：
阅读量
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
全部评论 (0)
还没有任何评论哟~