ONNX - 文件格式
ONNX 文件格式基本上是一个容器，它封装了机器学习模型的整个结构。当您将模型导出为 ONNX 格式时，生成的的文件（通常扩展名为 .onnx）包含模型的基于图的表示。如果您曾经使用过 ImageNet、MobileNet 或 AlexNet 等深度学习架构，您会发现 ONNX 表示非常熟悉。
ONNX 文件格式是一种灵活的表示机器学习模型的方法，使其能够在各种框架之间移植。ONNX 模型的核心是由图组成的，图是一组计算节点的集合。图中的每个节点都表示一个特定的操作（例如，卷积、ReLU 激活），数据按顺序通过这些节点移动，就像数据流过神经网络中的层一样。
在本教程中，我们将详细了解 ONNX 文件格式，讨论它如何构建模型，包括其组件，例如计算图、节点、运算符和元数据。
ONNX 文件格式的关键组件
ONNX 文件包含各种组件，有助于描述模型、其结构以及其工作方式。让我们讨论这些组件。
模型
ONNX 文件表示一个模型，并包含以下关键元素：
- 版本信息：有关使用的 ONNX 版本的详细信息。
- 元数据：有关模型的其他信息，例如作者或使用的框架。
- 无环计算数据流图：描述模型内如何执行计算的核心结构。
图
ONNX 文件的核心是表示计算流程的图。可以将其视为模型为处理输入并生成输出而经历的操作的映射。
- 输入和输出：描述进入和离开模型的数据。它包括数据类型和形状（维度）等信息。
- 计算节点列表：图中的每个节点都表示一个计算步骤（例如，应用激活函数）。
- 图名称：描述模型整体结构的图的名称。
计算节点
每个计算节点执行特定任务，例如将函数应用于输入数据。
- 输入：每个节点可能具有零个或多个预定义类型的输入，这些输入是其他节点的输出或外部输入。
- 输出：每个节点产生一个或多个输出，这些输出传递给序列中的下一个计算节点。
- 运算符：这些表示正在应用的操作（例如，矩阵乘法、ReLU 激活）。
- 运算符参数：每个运算符可能具有一些参数，例如学习率或归一化因子。
理解图结构
ONNX 图的结构是一系列相互连接的计算节点，数据在它们之间流动。可以将其视为神经网络的各层，其中每一层都处理输入数据并将其传递到下一层。
- 图输入：这些是数据的起点，在其中定义输入（例如，CNN 中的图像张量）。
- 图输出：数据通过所有计算节点后，会生成最终输出张量（例如，分类标签）。
- 计算节点：这些表示模型中的单个操作，例如卷积、激活 (ReLU)、池化和全连接层。
广告