关于人工智能:ONNX-浅析如何加速深度学习算法工程化

AlphaGo击败围棋世界冠军李世石以来，对于人工智能和深度学习的钻研出现井喷之势。

各种新的算法和网络模型层出不穷，令人目迷五色。与之相随的，深度学习的训练和推理框架也在一直的新陈代谢，比拟驰名的有：微软的CNTK、Google的TensorFlow、Facebook的PyTorch、Apple的CoreML、Intel 的OpenVINO、英伟达的cuDNN和TensorRT、腾讯的TNN和NCNN、阿里的MNN等等。

这些框架都有相似之处，他们的输出是一个或者一组多维数据，数据通过多层运算单元之后输入运算后果。训练框架反对BackPropogation等训练方法，能够主动调整模型参数，用于算法设计。推理框架则是单纯只能用于模型推理运算，不能调整模型自身，用于算法部署落地。

这些框架中，Google的TensorFlow的这个名字尤其具备美感。多维数据是为张量(Tensor)，数据在多层运算单元中的运算和传递是为流(FLow)，看到这个词就好像看到了一个数据和运算的图(Computation Graph)，真堪称妙手偶得之佳作。这些框架都须要构建算子，并且将这些算子依照肯定的秩序连接起来，能够称之为网络模型。

Why ONNX？

每个深度学习框架都有本人独有的格局来解释和存储网络模型，并且这些框架的侧重点不同，有些用于训练学习，有些用于部署推理。在深度学习算法开发中，在不同的阶段会抉择不同的框架，所以模型形容格局的不同，在主观上造成了深度学习算法开发和落地的艰难。

笔者之前曾开发深度神经网络算法，过后抉择的训练框架是Caffe，须要落地部署到Linux、iOS、Android等多个平台。Linux抉择的是Nvidia的cuDNN；iOS抉择的是CoreML；Android抉择的是NNAPI，Caffe的模型形容格局是caffemodel。

它应用自定义的Protobuf (https://github.com/BVLC/caffe...)，然而显然，无论是cuDNN、CoreML、NNAPI都无奈间接应用caffemodel，CoreML的模型形容应用另一种定义 (https://apple.github.io/corem...)，cuDNN和NNAPI都是low-level的推理引擎，须要使用者将这个模型组装起来。

对于CoreML来说，咱们须要把caffemodel转为coremlmodel格局，对于 cuDNN和NNAPI，咱们须要解析caffemodel，而后本人组装出残缺的网络模型。这个过程繁琐而且容易出错，过后有强烈的激动，心愿定义一个对立的模型形容格局，所有的训练框架训练所得的网络模型，都是用这个格局来形容，在设施上部署推理时，相应的推理引擎反对解析这个对立的形容格局，间接实现部署落地，岂不美哉。

当然此事并不容易，要定义个对立的模型形容格局，不仅仅须要对机器学习技术有深刻的了解，而且将之推广成为事实上的行业标准，更须要有很大的行业影响力，并不是如笔者这样的无名英雄能够为之。所幸曾经有社区在做这个事件了，这就是Open Neural Network Exchange(ONNX)。

用ONNX本人的话来说，ONNX是一个对计算网络(Computation Graph)的一个通用形容(Intermediate Representation)。它心愿被设计成为凋谢的网络形容格局，缩小开发者在各个训练和推理框架间切换的代价，能够让开发者专一于算法和优化。尽管ONNX还处于比拟晚期的阶段，不过曾经有约来越多的人开始关注到它，将来会有机会失去更宽泛的利用。

计算模型形容

ONNX有两个分类：根底的ONNX次要用于形容神经网络、ONNX-ML是对根底ONNX的扩大，减少了神经网络之外的其余机器学习算法的反对。本文不会波及ONNX-ML，接下来的文字以一个简略的ONNX模型为例，介绍一下 ONNX是如何来形容一个计算网络的。该模型能够在ONNX的Github上下载(https://github.com/onnx/model...).

ONNX的模型形容采纳了Google的Protocol Buffer语言。最外层的构造是ModelProto，ModelProto的定义如下：

message ModelProto {
int64 ir_version = 1;
repeated OperatorSetIdProto opset_import = 8;
string producer_name = 2;
string producer_version = 3;
string domain = 4;
int64 model_version = 5;
string doc_string = 6;
GraphProto graph = 7;
repeated StringStringEntryProto metadata_props = 14;
repeated TrainingInfoProto training_info = 20;
repeated FunctionProto functions = 25;
}
比拟重要的字段有: lr_version : 以后的ONNX模型文件的版本， 目前公布的最新版本为IR_VERSION_2019_3_18 = 6. 公布于2019年，版本7还在制订中. opset_import: 以后的模型文件所依赖的算子domain和版本. graph: 这个模型执行的运算图， 这个是最重要的字段.

GraphProto的定义如下：

message GraphProto {
repeated NodeProto node = 1;
string name = 2; // namespace Graph
repeated TensorProto initializer = 5;
repeated SparseTensorProto sparse_initializer = 15;
string doc_string = 10;
repeated ValueInfoProto input = 11;
repeated ValueInfoProto output = 12;
repeated ValueInfoProto value_info = 13;
repeated TensorAnnotation quantization_annotation = 14;
}
比拟重要的字段有: initializer : 模型的每一网络层的参数, 模型训练实现之后参数就被固定下来. input : 模型的输出格局. output : 模型的输入格局. nodes : 定义了模型的所有运算模块， 按照推理的秩序排布.

NodeProto的定义如下：

message NodeProto {
repeated string input = 1; // namespace Value
repeated string output = 2; // namespace Value
string name = 3; // namespace Node
string op_type = 4; // namespace Operator
string domain = 7; // namespace Domain
repeated AttributeProto attribute = 5;
string doc_string = 6;
}
比拟重要的字段有: input : 输出参数的名字. output : 输入参数的名字， 这里须要注意的是， 每一个网络层之间的连贯应用输出和输入的名字来确立的. op_type : 算子的类型. attributes : 算子的属性， 其解析取决于算子的类型.

ONNX中最简单的局部就是对于各种算子的形容， 这也能够了解， 形成神经网络的主体就是这些算子. attributes 就是算子的一组带名字的属性. 本文中， 咱们介绍一个在mobilenetv2-7.onnx应用最多的算子: conv.

卷积神经网络在语音，图像，视频等解决上取得了巨大成功. ONNX对于卷积网络层的属性定义次要有: dilations: 扩大卷积， 默认为1， 即一般卷积. 其数学定义如下

一般卷积扩大卷积
group: 分组卷积, 其定义见文献14. 默认为1， 即不分组. kernel_shape: 定义了卷积核的大小. pads: 定义了上下左右填充的像素数. strides: 定义了卷积运算的步长。

ONNX的反对状况

各家的训练和推理框架还在持续倒退， ONNX想成为行业标准显然还为时尚早， 然而目前尚没有看到其余更好的通用模型形容格局， 咱们简略演绎一下当初的ONNX的反对状况(不残缺)：

Reference

[1] ONNX: https://github.com/onnx/onnx

[2] TENSORFLOW: https://www.tensorflow.org/

[3] CNTK: https://github.com/Microsoft/...

[4] PYTORCH: https://pytorch.org/

[5] TNN: https://github.com/Tencent/TNN

[6] MNN: https://github.com/alibaba/MNN

[7] CUDNN: https://developer.nvidia.com/...

[8] TENSORRT: https://developer.nvidia.com/...

[9] COREML: https://developer.apple.com/d...

[10] NCNN: https://github.com/Tencent/ncnn

[11] NNAPI: https://developer.android.com...

[12] Protocol Buffers: https://developers.google.com...

[13] Dilated Convolutions https://arxiv.org/abs/1511.07122

[14] Dynamic Group Convolutions https://arxiv.org/abs/2007.0424