1.ONNX一本通：综述&使用&源码分析（持续更新）

ONNX一本通：综述&使用&源码分析（持续更新）

       ONNX详解：功能概述、源码Python API应用与源码解析

       ONNX的源码核心功能集中在模型定义、算子操作、源码序列化与反序列化，源码以及模型验证上。源码查询web源码它主要通过onnx-runtime实现运行时支持，源码bcg源码编译包括图优化和平台特定的源码算子库。模型转换工具如tf、源码pytorch和mindspore的源码FMK工具包负责各自框架模型至ONNX的转换。

       ONNX Python API实战

       场景一：构建线性回归模型，源码基础操作演示了API的源码使用。

       场景二至四：包括为op添加常量参数、源码属性以及控制流（尽管控制流在正式模型中应尽量避免）。源码android 源码升级

       场景五和后续：涉及for循环和自定义算子的源码添加，如Cos算子，源码涉及算子定义、添加到算子集、pppoe vc源码Python实现等步骤。

       源码分析

       onnx.checker：负责模型和元素的检查，cpp代码中实现具体检查逻辑。

       onnx.compose、忍将源码onnx.defs、onnx.helper等：提供模型构建、算子定义和辅助函数。

       onnx.numpy_helper：处理numpy数组与onnx tensor的转换。

       onnx.reference：提供Python实现的op推理功能。

       onnx.shape_inference：进行模型的形状推断。

       onnx.version_converter：处理不同op_set_version的转换。

       转换实践

       ONNX支持将tf、pytorch和mindspore的模型转换为ONNX格式，同时也有ONNX到TensorRT、MNN和MS-Lite等其他格式的转换选项。

       总结

       ONNX提供了一个统一的IR（中间表示）框架，通过Python API构建模型，支持算子定义的检查和模型的序列化。同时，它利用numpy实现基础算子，便于模型的正确性验证，并支持不同框架模型之间的转换。