ONNX

ONNX（Open Neural Network Exchange）是一个开放的格式，用于表示机器学习模型。它使得不同框架之间的模型可以互操作，方便模型的迁移和部署。以下是一些关于 ONNX 的基本介绍和使用方法。

1. 模型转换：ONNX 允许你将模型从一个深度学习框架（如 PyTorch、TensorFlow）转换为 ONNX 格式。
2. 互操作性：ONNX 模型可以在支持 ONNX 的不同平台和工具之间共享。
3. 优化：ONNX 提供了工具来优化模型，以提高推理性能。

将模型转换为 ONNX 格式

以下是将 PyTorch 模型转换为 ONNX 模型的步骤：

1. 安装 ONNX

安装了 ONNX 和相关的转换工具：

pip install onnx
pip install onnxruntime  # 用于运行 ONNX 模型
pip install torch  # PyTorch

2. 转换 PyTorch 模型

一个已训练的 PyTorch 模型，可以使用以下代码将其转换为 ONNX 格式：

import torch
import torch.onnx
import torchvision.models as models# 加载预训练的 PyTorch 模型
model = models.resnet18(pretrained=True)
model.eval()  # 设置模型为推理模式# 创建示例输入张量
dummy_input = torch.randn(1, 3, 224, 224)# 将模型导出为 ONNX 格式
torch.onnx.export(model, dummy_input, "resnet18.onnx", verbose=True)

在这个示例中，将一个预训练的 ResNet-18 模型转换为 ONNX 格式并保存为 resnet18.onnx 文件。

加载和运行 ONNX 模型

使用 ONNX Runtime 来加载和运行转换后的 ONNX 模型：

import onnx
import onnxruntime as ort
import numpy as np# 加载 ONNX 模型
onnx_model = onnx.load("resnet18.onnx")
onnx.checker.check_model(onnx_model)  # 检查模型是否有效# 创建 ONNX Runtime 会话
ort_session = ort.InferenceSession("resnet18.onnx")# 创建输入数据
dummy_input = np.random.randn(1, 3, 224, 224).astype(np.float32)# 运行模型
outputs = ort_session.run(None, {"input": dummy_input})
print(outputs[0])

检查和优化 ONNX 模型

ONNX 提供了一些工具来检查和优化模型：

1. 检查模型

使用 onnx.checker 来验证模型的有效性：

import onnxonnx_model = onnx.load("resnet18.onnx")
onnx.checker.check_model(onnx_model)

2. 优化模型

使用 onnx.optimizer 来优化模型：

import onnx
import onnx.optimizeronnx_model = onnx.load("resnet18.onnx")# 定义优化通道
passes = ["fuse_consecutive_transposes", "eliminate_deadend"]# 优化模型
optimized_model = onnx.optimizer.optimize(onnx_model, passes)# 保存优化后的模型
onnx.save(optimized_model, "resnet18_optimized.onnx")

其他常用工具和库

• Netron：用于可视化 ONNX 模型的工具。可以下载并使用 Netron 打开 .onnx 文件进行模型可视化。
• ONNX Model Zoo：ONNX 模型库，包含许多预训练的 ONNX 模型，可以直接下载和使用。

小结

ONNX 作为一个开放的模型格式，可以极大地提高模型在不同框架和平台之间的可移植性。通过学习如何将模型转换为 ONNX 格式，并使用 ONNX Runtime 进行推理和优化，你可以更高效地部署和管理你的机器学习模型。

---

只有一个元素的时候才能够使用item()转为scalar，无论是一个0维度张量，还是1维张量，还是2维度

x_t = torch.tensor([1.0])
x2_t =torch.tensor(1.0)
x4_t = torch.tensor([[[1.0]]])x_n = x_t.item()       # 1.0
x2_n = x2_t.item()     # 1.0
x3_n = x3_t.item()     # 1.0