Facebook 和微軟宣告，推出 Open Neural Network Exchange（ONNX，開放神經(jīng)收集交流）格局，這是一個用于表現(xiàn)深度進修模子的尺度，可以使模子在分歧框架之間停止轉(zhuǎn)移。ONNX是邁向開放生態(tài)體系的第一步，AI開辟人員可以輕松地在最早進的對象之間轉(zhuǎn)換，并選擇最合適他們的組合。
以下是Facebook、微軟官方博客的引見：
在開辟進修模子時，工程師和研討人員有很多AI框架可以選擇。在項目開端時，開辟人員必需選擇對應(yīng)一個框架的特點（features）。許多時刻，在研發(fā)進程中停止試驗時選擇的 feature 與臨盆所需的 feature 是紛歧致的。很多組織都沒有很好的辦法來清除這些操作形式之間的差距，只要采用一系列發(fā)明性的處理方法來應(yīng)對，例如請求研討人員在臨盆體系中任務(wù)某人工翻譯模子。
Facebook 與微軟一路開辟了 ONNX，以彌合這一差距，讓AI開辟人員可以選擇相符項目以后階段的框架，并跟著項目標成長輕松切換框架。Caffe2，PyTorch 和Cognitive Toolkit 將在9月份宣布對 onNX 的支撐，這將許可在個中一個框架練習(xí)的模子導(dǎo)出到另外一個框架來停止推理。我們約請社區(qū)參加這一盡力，并在其生態(tài)體系中支撐ONNX。完成分歧框架之間的互相操作性，簡化從研討到臨盆的進程，將有助于進步AI社區(qū)立異的速度。
onNX 在 Facebook 外部應(yīng)用
onNX 是 Facebook 深度進修辦法的主要構(gòu)成部門。在Facebook的AI團隊（FAIR和AML）中，我們賡續(xù)測驗考試推進AI的前沿研討，開辟更好的進修算法。當我們獲得一個沖破時，我們愿望盡快在運用中供給更好的技巧。經(jīng)由過程ONNX，我們專注于將AI研討和產(chǎn)物完成更慎密地聯(lián)合在一路，從而更快地停止立異和安排。
測驗考試新模子的人們，特殊是研討人員，愿望在編寫神經(jīng)收集時具有最年夜的靈巧性和表示力——從靜態(tài)神經(jīng)收集到支撐梯度突變（gradients of gradients），同時堅持根本的ConvNet機能。研討人員也想完成疾速迭代，這意味著他們須要優(yōu)良的交互式開辟和調(diào)試對象。PyTorch旨在沖破研討框架的局限，使研討人員免受平臺的限制，讓他們可以或許比之前更輕易地表達設(shè)法主意。
相反，產(chǎn)物流程天天都須要對年夜量新的數(shù)據(jù)停止練習(xí)和推理，同時堅持模子年夜部門不變。細心優(yōu)化產(chǎn)物的特定模子的代碼，例如經(jīng)由過程量化和細心編寫人工調(diào)劑的代碼（hand-tuned code）之類的技能節(jié)儉資本。Caffe2曾經(jīng)在產(chǎn)物、挪動和極端斟酌機能的情形構(gòu)建起來。Caffe2的外部靈巧并且高度優(yōu)化，所以我們可以應(yīng)用技能將更年夜更好的模子安排到機能缺乏的硬件中。
經(jīng)由過程 ONNX，我們可以在這兩個方面取得最優(yōu)。我們?nèi)缃窨梢詮腜yTorch導(dǎo)出很多罕見神經(jīng)收集的模子，并將它們安排在Caffe2上。這是將最新的研討結(jié)果疾速推向臨盆的第一步。在接上去的幾個月中，我們將增強ONNX，并對Caffe2和PyTorch停止改良，使其可以或許更深刻地互通。
怎樣運轉(zhuǎn)
為了完成ONNX支撐，我們必需對PyTorch和Caffe2停止更改，而且在框架之間同一運算符。在Caffe2中，這個進程相似于添加一個翻譯器，由于Caffe2曾經(jīng)有一個內(nèi)置的靜態(tài)圖。在PyTorch中，神經(jīng)收集是被界說為法式而不是顯式圖，是以這帶來了更年夜的挑釁。為了從法式中提取圖，我們開辟了一個跟蹤器，將運轉(zhuǎn)時法式履行的操作記載上去。跟蹤法式清除了龐雜性，并使其更輕易轉(zhuǎn)換為圖表現(xiàn)。
要懂得它是若何任務(wù)的，看以下代碼：
x = y * 2
if someComplicatedFunction（）： z = x + y
else: z = x * y
要直接導(dǎo)出此代碼，ONNX將不能不支撐conditionals和某些龐雜函數(shù) someComplicatedFunction（）；現(xiàn)實上成了通用編程說話。但是，在很多深度進修模子中，someComplicatedFunction（） 的成果在推理進程中老是雷同的。例如，在PyTorch前提中，平日是對輸出張量的年夜小或尺寸停止的一些盤算。在這些情形下，經(jīng)由過程代碼的單一跟蹤將會更簡略，而且可以輕松地在ONNX中表現(xiàn)為：
#someComplicatedFunction（） == True
x = y * 2 z = x + y
今朝，我們的tracer能與很多罕見的神經(jīng)收集合營應(yīng)用，但PyTorch中一些更先輩的法式，好比有靜態(tài)流掌握（dynamic flow control）的法式還不可。跟著時光的推移，我們將完美ONNX和tracer來支撐這些法式，閃開發(fā)人員可以充足應(yīng)用PyTorch的靈巧性與Caffe2的高機能壯大安排功效。
微軟：onNX 表征具有框架互操作性和同享優(yōu)化兩年夜長處
在 Facebook 宣布博客的同時，微軟也宣布了題為《微軟和 Facebook 為 AI 模子的互操作性構(gòu)建開放生態(tài)體系》的博客。在博客中，微軟表現(xiàn)：
微軟給年夜家做出的許諾是“”人人無機會更便利，更有價值。我們供給各類平臺和對象來增進這一點，包含我們的認知對象包，一個構(gòu)建深層神經(jīng)收集的開源框架。我們還與其他分享我們不雅點的組織協(xié)作，贊助 AI 社區(qū)。
明天，我們愉快地宣告，微軟和Facebook 一路推出Open Neural Network Exchange （ONNX，開放神經(jīng)收集交流） 格局。 ONNX為AI 框架生態(tài)體系中的互操作性和立異供給了同享的模子表征。CognitiveToolkit，Caffe2和PyTorch都將支撐ONNX。微軟和Facebook 配合開辟了onNX 這一開源項目，并愿望社區(qū)可以或許贊助其賡續(xù)退化。
甚么是onNX 表征？
Cognitive Toolkit 和其他框架供給了使開辟人員更輕易構(gòu)建和運轉(zhuǎn)表征神經(jīng)收集的盤算圖的界面。固然供給的功效相似，然則明天的每一個框架都有本身表征這些圖的格局。 ONNX表征有以下重要長處：
1.框架互操作性
開辟人員可以更輕松地在框架間轉(zhuǎn)換，并為手頭的義務(wù)選擇最好對象。每一個框架都針對詳細特征停止了優(yōu)化，如疾速練習(xí)，支撐靈巧的收集架構(gòu)，在挪動端停止推理等等。很多時刻，研發(fā)進程中最主要的特征與臨盆環(huán)節(jié)最主要的特征是分歧的。這招致開辟人員在框架之間停止模子轉(zhuǎn)換時，會因框架應(yīng)用不準確或顯著延遲而使得效力下降。應(yīng)用onNX 表征的框架簡化了這一點，使得開辟人員加倍靈巧。
2.同享優(yōu)化
硬件供給商和其他改良神經(jīng)收集機能的優(yōu)化可以經(jīng)由過程定位onNX 表征來同時影響多個框架。優(yōu)化常常須要被分離整合進入每一個框架，這一進程很費時光。onNX 表征使得優(yōu)化更輕易完成，從而籠罩更多開辟人員。
技巧總結(jié)
onNX 供給了可擴大盤算圖模子的界說，和內(nèi)置 operators 和尺度數(shù)據(jù)類型的界說。起先我們專注于推理（評價）所需的才能。
每一個盤算數(shù)據(jù)流圖被結(jié)構(gòu)為構(gòu)成非輪回圖的節(jié)點列表。節(jié)點具有一個或多個輸出和一個或多個輸入。每一個節(jié)點是對 operators 的挪用。
可用性
onNX 代碼和文檔的初始版本如今曾經(jīng)在GitHub（https://github.com/onnx/onnx）上開源，召喚著社區(qū)的立刻介入。我們將積極展開基于onNX 的任務(wù)，行將推出的Cognitive Toolkit 也將對其支撐。我們還籌劃和Facebook一道，供給安排參考、示例、對象和model zoo。
onNX 表征構(gòu)成了開放生態(tài)體系的基本，使 AI 更輕易獲得并富有價值。開辟人員可認為其義務(wù)選擇適合的框架，框架作者可以專注于立異，硬件供給商可以簡化優(yōu)化流程。我們愿望社區(qū)可以或許支撐ONNX，以完成這一使人高興的愿景。
下一步是甚么
我們明天宣布最新版本的Caffe2和PyTorch，帶有ONNX支撐。我們愿望你對新功效能跟我們一樣高興！它們處于晚期階段，我們愿望你們檢討出來并提交你的反應(yīng)和改良。我們將持續(xù)成長ONNX，PyTorch和Caffe2，確保開辟人員具有AI的最新對象。敬請等待后續(xù)更新！
