ONNX

ONNX ( Open Neural Network Exchange ) er et open source-softwarebibliotek til opbygning af deep learning neurale netværk . Med ONNX kan AI - udviklere udveksle modeller mellem forskellige værktøjer og vælge den bedste kombination af disse værktøjer. ONNX udvikles og vedligeholdes i fællesskab af Microsoft , Facebook , Amazon og andre partnere som et open source-projekt [2] [3] .

ONNX tillader, at modeller trænes i et miljø og derefter overføres til et andet miljø til ansigtsgenkendelse, gestusgenkendelse, objektgenkendelse osv. Dette giver udviklere mulighed for at bruge den rigtige kombination af værktøjer. ONNX-modeller understøttes i øjeblikket i Caffe2 , Microsoft Cognitive Toolkit , MXNet , PyTorch og OpenCV , og der er grænseflader til mange andre populære rammer og biblioteker.

ONNX Model Zoo er en samling af fortrænede deep learning-modeller, der er tilgængelige i ONNX-formatet. Hver model kommer med en interaktiv IPython -skal til at træne modellen og generere den tilsvarende model. Notesbøgerne er skrevet i Python og indeholder links til træningsdatasættet samt links til den originale hvidbog, der beskriver modellens arkitektur.

Historie

ONNX hed oprindeligt Toffee [4] og blev udviklet af PyTorch-teamet på Facebook [5] . I september 2017 blev det omdøbt til ONNX og annonceret af Facebook og Microsoft. [6] IBM, Huawei, Intel, AMD, Arm og Qualcomm annoncerede senere støtte til initiativet [7] .

ONNX.js

ONNX.js er et JavaScript - bibliotek til at køre ONNX-modellen i browsere og på Node.js. Med ONNX.js kan webudviklere integrere og teste forudtrænede ONNX-modeller direkte i en webbrowser. Dette har følgende fordele: reduceret server-klient-interaktion, beskyttelse af brugerdata, cross-platform machine learning uden at installere software på klienten.

ONNX.js kan køres på både CPU og GPU . For at køre på processoren bruges WebAssembly . Dette vil gøre det muligt for modellen at arbejde næsten med oprindelig hastighed. ONNX.js bruger også Web workerat give et "multi-threaded" parallelt computermiljø. Empirisk evaluering viser meget lovende forbedringer i CPU-ydeevne, og udnytter WebAssembly og Web Workers fuldt ud. For at køre på GPU'er er WebGL standarden for adgang til GPU-funktioner [8] [9] [10] .

Se også

• Sammenligning af deep learning-software

Noter

1. ↑ Udgivelse 1.7.0  ( 28. maj 2020). Hentet 3. juni 2020. Arkiveret fra originalen 19. august 2021.
2. ↑ Braddock Gaskill. ONNX: Open Neural Network Exchange  Format . Linux Journal (25. april 2018). Hentet 17. januar 2019. Arkiveret fra originalen 19. januar 2019.
3. ↑ Heise online. Microsoft og Facebook machen gemeinsame KI-Sache  (tysk) . Hentet 17. januar 2019. Arkiveret fra originalen 19. januar 2019.
4. ↑ Codemod Toffee -> ONNX, toffee -> onnx. Skift filnavne til at matche pytorch/pytorch@  6d8d5ba . GitHub . Dato for adgang: 12. oktober 2021.
5. ↑ En modeleksportør for PyTorch af ezyang Pull Request #2565 pytorch/  pytorch . GitHub . Dato for adgang: 12. oktober 2021.
6. ↑ Microsoft og Facebook skaber åbent økosystem for AI-modelinteroperabilitet - Microsoft Cognitive Toolkit  , Microsoft Cognitive Toolkit (  7. september 2017). Hentet 11. oktober 2017.
7. ↑ Microsoft og Facebooks åbne AI-økosystem får mere  støtte , Engadget . Hentet 11. oktober 2017.
8. ↑ Microsoft ONNX.js: Kør ONNX-modeller ved hjælp af JavaScript.  (engelsk) (7. marts 2019). Hentet 7. marts 2019. Arkiveret 30. april 2019 på Wayback Machine
9. ↑ Will Badr ONNX.js: Universal Deep Learning Models in The Browser  ( 8. januar 2019). Hentet 7. marts 2019. Arkiveret 3. februar 2022 på Wayback Machine
10. ↑ ONNX.js - Kør ONNX-modeller i browseren (demoer  ) . Microsoft . Hentet 7. marts 2019. Arkiveret 8. marts 2019 på Wayback Machine

Link

• Microsoft Connect() 2018: ONNX-Runtime for Machine Learning wird Open Source
• ONNX- projekt på GitHub 

I sociale netværk	Twitter
Tematiske steder	GitHub