ONNX ( Open Neural Network Exchange ) — открытая библиотека программного обеспечения для построения нейронных сетей глубокого обучения . С помощью ONNX ИИ -разработчики могут обмениваться моделями между различными инструментами и выбирать наилучшую комбинацию этих инструментов. ONNX разрабатывается и поддерживается совместно компаниями Microsoft , Facebook , Amazon и другими партнерами как проект с открытым исходным кодом .

ONNX позволяет обучать модели в рамках одной среды, а затем переносить их в другую среду для распознавания лиц, распознавания жестов или объектов и т. д. Это позволяет разработчикам использовать правильную комбинацию инструментов. Модели ONNX в настоящее время поддерживаются в Caffe2 , Microsoft Cognitive Toolkit , , PyTorch и OpenCV , и есть интерфейсы для многих других популярных фреймворков и библиотек.

ONNX Model Zoo — это коллекция моделей глубокого обучения с предварительным обучением, доступных в формате ONNX. Каждая модель поставляется с интерактивной оболочкой IPython для обучения модели и выработки соответствующей модели. Модели написаны на Python и содержат ссылки на набор обучающих данных, а также ссылки на оригинальный научный документ, описывающий архитектуру модели.

История

Первоначально ONNX назывался Toffee и был разработан командой PyTorch в Facebook . В сентябре 2017 года он был переименован в ONNX и анонсирован Facebook и Microsoft. Позже IBM, Huawei, Intel, AMD, Arm и Qualcomm объявили о поддержке этой инициативы .

ONNX.js

ONNX.js является JavaScript -библиотекой для запуска ONNX модели в браузерах и на Node.js . С ONNX.js веб-разработчики могут интегрировать и тестировать предварительно обученные модели ONNX непосредственно в веб-браузере. Это имеет следующие преимущества: сокращение взаимодействия сервер-клиент, защита пользовательских данных, кроссплатформенное машинное обучение без установки программного обеспечения на клиенте.

ONNX.js может быть запущен как на CPU , так и на GPU . Для работы на процессоре используется WebAssembly . Это позволит модели работать практически на родной скорости. Кроме того, ONNX.js использует (англ.) ( для обеспечения «многопоточной» вычислительной среды распараллеливания. Эмпирическая оценка показывает очень многообещающие улучшения производительности процессора, используя все преимущества WebAssembly и Web Workers. Для работы на графических процессорах WebGL является стандартом для доступа к функциям графического процессора .

См. также

• Сравнение программного обеспечения глубинного обучения

Примечания

Ссылка

• на сайте GitHub (англ.)