Description
La documentation ONNX 1.23.0 sert de ressource complète pour comprendre et utiliser le format Open Neural Network Exchange. Elle commence par une introduction à ONNX et à ses concepts fondamentaux, guidant les utilisateurs à travers son intégration avec Python. Une référence d'API détaillée est fournie, englobant les stratégies de versioning, les structures de données, les fonctions et une liste exhaustive des opérateurs ONNX.
Lire la suite
Les détails techniques sont élaborés, y compris les spécificités du stockage des flottants en 8 bits, et l'implémentation des types entiers 4 bits et 2 bits. La documentation aborde également le Référentiel ONNX, offrant des conseils sur l'ajout de corps de fonctions pour les opérateurs et le processus d'introduction de nouveaux opérateurs ou fonctions dans l'écosystème ONNX. Les cas d'assurance de sécurité font également partie de la documentation, soulignant l'engagement d'ONNX envers un développement robuste.
Des sections techniques supplémentaires approfondissent les mécanismes de diffusion (broadcasting) dans ONNX, un guide sur les balises de différentiabilité, la dénotation de dimensions et la gestion des données externes. La spécification de la représentation intermédiaire ONNX (ONNX IR) est présentée, ainsi que des instructions pour implémenter un backend ONNX. La gestion des opérateurs expérimentaux et des métadonnées est également couverte, tout comme les types ONNX et la suite de tests de backend ONNX.
Les informations sur les versions officielles d'ONNX et les conventions d'opérateurs fournissent un contexte pour l'évolution du framework. L'aperçu de l'API Python et les méthodes de vérification des versions PyPI avec les attestations Sigstore sont inclus pour les développeurs. Enfin, la documentation aborde la sécurité des données externes, l'inférence de forme ONNX, la syntaxe textuelle ONNX, la dénotation de type, le convertisseur de version ONNX et le versioning ONNX, en faisant une référence complète pour les utilisateurs et contributeurs d'ONNX.
- CatégorieMLOps et déploiement de modèles
- Modèle tarifaireGratuit
- DéploiementCloud
- PlateformesWeb
Fonctionnalités principales de Documentation ONNX
Introduction aux concepts ONNX
Guide d'intégration ONNX avec Python
Référence API complète
Explication détaillée du versioning ONNX
Documentation sur les structures de données ONNX
Couverture des fonctions ONNX
Documentation approfondie sur les opérateurs ONNX
Détails techniques sur les types de données et le stockage (par ex., flottant 8 bits, entier 4 bits)
Directives du Référentiel ONNX
Procédures d'ajout d'opérateurs et de fonctions
Cas d'assurance de sécurité ONNX
Diffusion (Broadcasting) dans ONNX
Guide des balises de différentiabilité
Dénotation de dimensions et dénotation de type
Gestion des données externes
Spécification ONNX IR
Guide d'implémentation de backend ONNX
Gestion des opérateurs expérimentaux
Métadonnées ONNX
Types ONNX
Suite de tests de backend ONNX
Versions officielles ONNX
Aperçu des conventions d'opérateurs
Aperçu de l'API Python
Attestations Sigstore pour les versions PyPI
Inférence de forme ONNX
Syntaxe textuelle ONNX
Convertisseur de version ONNX
Premiers pas avec Documentation ONNX
Comprendre les concepts ONNX : Lisez les sections d'introduction pour saisir les principes fondamentaux d'ONNX.
Intégrer avec Python : Suivez le guide d'intégration ONNX avec Python pour une mise en œuvre pratique.
Explorer la référence API : Utilisez la référence API pour des informations détaillées sur les fonctions, les opérateurs et les structures de données.
Implémenter un backend ONNX : Consultez les guides sur l'implémentation d'un backend ONNX pour des solutions personnalisées.
Ajouter de nouveaux opérateurs/fonctions : Référez-vous à la documentation pour les procédures d'ajout de nouveaux opérateurs ou fonctions.
Gérer les fonctionnalités expérimentales : Apprenez comment gérer et utiliser les opérateurs expérimentaux.
Vérifier les versions : Comprenez le processus de vérification des versions ONNX PyPI à l'aide des attestations Sigstore.
Cas d'utilisation de Documentation ONNX
- Interopérabilité des modèles
- Accélération matérielle
- Optimisation des modèles
- Recherche et développement
- Déploiement en production
