ONNX - 数据类型

在 ONNX(开放神经网络交换)中，模型中使用的数据类型是模型表示和计算的一个重要方面。作为机器学习模型的标准格式，ONNX 支持一系列数据类型，允许不同机器学习框架之间的互操作性。

在本教程中，我们将探索各种 ONNX 数据类型，包括张量类型、元素类型、稀疏张量和非张量类型，如序列和映射。

了解 ONNX 中的张量

ONNX 主要关注涉及张量的数值计算，张量是多维数组。张量用于表示 ONNX 模型中的输入、输出和中间值。

每个张量由三个关键组件定义 −

• 元素类型:指定张量中所有元素的数据类型。
• 形状:描述张量维度的数组。形状可以是固定的，也可以是动态的，张量可以具有空形状(例如标量)。
• 连续数组:完全填充的数据值数组。

此设计优化了 ONNX，使其适用于深度学习应用中的数值计算，其中大型多维数组很常见。

支持的元素类型

最初，ONNX 旨在支持深度学习模型，这些模型通常使用浮点数(32 位浮点数)。但是，当前版本的 ONNX 支持多种元素类型，从而允许在不同的机器学习和数据处理任务中灵活使用。

以下是 ONNX 中支持的数据类型列表 −

稀疏张量

处理包含大量零的数据时，稀疏张量非常有用。ONNX 支持稀疏张量，尤其是 2D 稀疏张量。这些由类 SparseTensorProto 表示，该类包含以下属性 −

• dims:指定稀疏张量的形状。
• indices:张量中非零值的位置(存储为 int64)。
• values:实际的非零值。

非张量数据类型

除了张量之外，ONNX 还支持非张量数据类型，例如 −

• Sequence:张量序列。这对于需要处理张量列表或集合的操作非常有用。
• Map:张量值的映射，通常用于关联数组或字典。

这些非张量类型更常用于经典机器学习任务，其中序列和映射等结构对于表示某些操作是必不可少的。