🥳ONNX后端
What is an ONNX backend
ONNX 后端是一个可以运行 ONNX 模型的库。由于许多深度学习框架已经存在，您不需要从头开始创建一切。您可以创建一个转换器，将 ONNX 模型转换为相应框架的特定表示形式，然后委托框架执行。例如，onnx-caffe2（作为 caffe2 的一部分）、onnx-coreml 和 onnx-tensorflow 都是作为转换器实现的。
Unified backend interface
ONNX 在 onnx/backend/base.py 中定义了统一的（Python）后端接口。
该接口有三个核心概念: Device, Backend and BackendRep.
Device是对各种硬件的轻量级抽象， e.g., CPU, GPU, etc.Backend是一个实体，它接受 ONNX 模型的输入，执行计算，然后返回输出。对于一次性执行，用户可以使用
run_node和run_model快速获得结果。对于重复多次的执行，用户应使用
prepare，即后端为重复执行模型做的所有准备工作（如加载初始化器），并返回一个 BackendRep 句柄。BackendRep 是后台准备重复多次的执行模型后返回的句柄。然后，用户将输入信息传递给 BackendRep 的运行函数，以获取相应的结果。
请注意，尽管 ONNX 统一后端接口是用 Python 定义的，但后端并不需要用 Python 实现。例如，可以用 C++ 创建后端，并使用 pybind11 或 cython 等工具来实现接口。
ONNX backend test
ONNX 提供标准的后端测试套件，以协助后端实施验证。我们强烈建议每个 ONNX 后端都运行该测试。
将 ONNX 后端测试套件集成到您的 CI 中非常简单。以下示例展示了如何集成后端：
如果安装了 pytest，就能在运行 ONNX 后端测试后获得覆盖率报告：
---------- onnx coverage: ----------
Operators (passed/loaded/total): 21/21/70
------------------------------------
╒════════════════════╤════════════════════╕
│ Operator │ Attributes │
│ │ (name: #values) │
╞════════════════════╪════════════════════╡
│ Slice │ axes: 2 │
│ │ ends: 3 │
│ │ starts: 3 │
├────────────────────┼────────────────────┤
│ Constant │ value: 1 │
├────────────────────┼────────────────────┤
│ Concat │ axis: 0 │
├────────────────────┼────────────────────┤
│ Conv │ group: 6 │
│ │ kernel_shape: 5 │
│ │ pads: 4 │
│ │ strides: 3 │
│ │ auto_pad: 0 │
│ │ dilations: 0 │
├────────────────────┼────────────────────┤
│ Reshape │ shape: 9 │
├────────────────────┼────────────────────┤
│ BatchNormalization │ consumed_inputs: 1 │
│ │ epsilon: 2 │
│ │ is_test: 1 │
│ │ momentum: 0 │
│ │ spatial: 0 │
├────────────────────┼────────────────────┤
│ Dropout │ is_test: 1 │
│ │ ratio: 2 │
├────────────────────┼────────────────────┤
│ MaxPool │ kernel_shape: 2 │
│ │ pads: 3 │
│ │ strides: 2 │
│ │ auto_pad: 0 │
│ │ dilations: 0 │
├────────────────────┼────────────────────┤
│ Transpose │ perm: 1 │
├────────────────────┼────────────────────┤
│ MatMul │ No attributes │
├────────────────────┼────────────────────┤
│ Relu │ No attributes │
├────────────────────┼────────────────────┤
│ LRN │ alpha: 2 │
│ │ beta: 1 │
│ │ bias: 2 │
│ │ size: 1 │
├────────────────────┼────────────────────┤
│ Add │ axis: 1 │
│ │ broadcast: 1 │
├────────────────────┼────────────────────┤
│ Abs │ No attributes │
├────────────────────┼────────────────────┤
│ Pad │ mode: 3 │
│ │ paddings: 2 │
│ │ value: 1 │
├────────────────────┼────────────────────┤
│ Softmax │ axis: 0 │
├────────────────────┼────────────────────┤
│ GlobalAveragePool │ No attributes │
├────────────────────┼────────────────────┤
│ Mul │ axis: 1 │
│ │ broadcast: 1 │
├────────────────────┼────────────────────┤
│ Sum │ No attributes │
├────────────────────┼────────────────────┤
│ Gemm │ broadcast: 1 │
│ │ transB: 1 │
│ │ alpha: 0 │
│ │ beta: 0 │
│ │ transA: 0 │
├────────────────────┼────────────────────┤
│ AveragePool │ kernel_shape: 3 │
│ │ pads: 3 │
│ │ strides: 2 │
│ │ auto_pad: 0 │
╘════════════════════╧════════════════════╛Operators (passed/loaded/total) 一行中的数字：21/21/70 表示后端所有测试用例中涉及的 21 个运算符已通过，ONNX 后端的所有测试用例中涉及 21 个运算符，ONNX 共有 70 个运算符。
Last updated
Was this helpful?