ONNX（Open Neural Network Exchange，开放神经网络交换）模型文件是一种开放格式，用于表示机器学习和深度学习模型。它充当不同 AI 框架之间的通用“桥梁”或中间表示层。
主要用途和特点
- 互操作性（Interoperability）：ONNX 的核心目标是解决不同深度学习框架之间的兼容性问题。你可以在一个框架（如 PyTorch 或 TensorFlow）中训练模型，然后将其导出为 ONNX 格式，再导入到另一个框架或针对特定硬件优化的运行时环境（如 ONNX Runtime）中运行。
- 优化和部署：ONNX 格式支持图优化和量化，有助于提高模型的推理（预测）性能。它使得模型更容易部署到生产环境、边缘设备或不同的硬件后端（如 CPU、GPU、Azure ML 等）上，而无需安装庞大的原始训练框架。
- 标准化：它定义了一套标准的运算符（operators）和数据类型，确保模型结构和参数在不同平台间保持一致。
文件结构
ONNX 文件（通常以
.onnx 扩展名结尾）本质上是一个容器，封装了模型的整个结构：- 计算图（Computational Graph）：这是模型的核心，由节点（nodes）和边（edges）组成。
- 节点（Nodes）：代表操作（如卷积、池化、激活函数等）。
- 边（Edges）：代表数据的流动（张量）。
- 模型参数（Parameters/Weights）：训练好的模型权重数据。
- 元数据（Metadata）：关于模型的其他信息，如输入/输出名称、模型版本等。
如何使用 ONNX 文件？
- 导出（Export）：使用你喜欢的训练框架（PyTorch、TensorFlow、Keras 等）的导出工具，将训练好的模型转换为
.onnx文件。 - 加载和推理（Inference）：使用 ONNX Runtime 库来加载 ONNX 模型并运行推理。ONNX Runtime 是一个跨平台的运行时引擎，专门为高性能推理而设计。
简而言之，ONNX 是一个通用的、标准化的模型交换格式，旨在让 AI 模型的部署更灵活、更高效。