ONNX - 文件格式
ONNX 文件格式基本上是一个封装机器学习模型整个结构的容器。将模型导出为 ONNX 格式时，生成的文件(通常带有 .onnx 扩展名)包含基于图形的模型表示。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 文件格式是一种表示机器学习模型的灵活方式，使它们可以在各种框架之间移植。ONNX 模型的核心由图形(计算节点的集合)组成。图中的每个节点代表一个特定的操作(例如，卷积、ReLU 激活)，数据按顺序在这些节点中移动，就像数据在神经网络中通过层流动一样。
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，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、其结构及其工作原理。让我们讨论一下这些组件。
模型
ONNX 文件表示一个模型，并包含关键元素，例如 −
- 版本信息:有关所用 ONNX 版本的详细信息。
- 元数据:有关模型的其他信息，例如作者或所用框架。
- 非循环计算数据流图:描述模型内计算执行方式的核心结构。
图表
ONNX 文件的核心是代表计算流程的图表。可以将其视为模型处理输入和产生输出所经过的操作的映射。
- 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:图中的每个节点代表一个计算步骤(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:每个节点可能有零个或多个预定义类型的输入，这些输入是其他节点或外部输入的输出。
- 输出:每个节点产生一个或多个输出，这些输出将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某些参数，例如学习率或规范化因子。
了解图形结构
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。可以将其想象成神经网络的各层，其中每一层处理输入数据并将其传递到下一层。
- 图形输入:这些是数据的起点，输入在此定义(例如，CNN 中的图像张量)。
- 图形输出:数据通过所有计算节点后，将生成最终输出张量(例如，分类标签)。
- 计算节点:这些代表模型中的各个操作，例如卷积、激活(ReLU)、池化和全连接层。
