# ONNX 简介


> 译者：[片刻小哥哥](https://github.com/jiangzhonglian)
>
> 项目地址：<https://pytorch.apachecn.org/2.0/tutorials/beginner/onnx/intro_onnx>
>
> 原始地址：<https://pytorch.org/tutorials/beginner/onnx/intro_onnx.html>


 作者：[Thiago Crepaldi](https://github.com/thiagocrepaldi)


[开放神经网络交换 (ONNX)](https://onnx.ai/) 是一种用于表示机器学习模型的开放标准格式。 `torch.onnx` 模块提供 API 来从本机 PyTorch 捕获计算图 [`torch.nn.Module`](https://pytorch.org/docs/stable/generated/torch.nn.Module.html#torch.nn.Module "(在 PyTorch v2.1中)") 模型并转换为 [ONNX 计算图](https://github.com/onnx/onnx/blob/main/docs/IR.md).


 导出的模型可以由许多 [支持 ONNX 的运行时](https://onnx.ai/supported-tools.html#deployModel) 中的任何一个使用，包括 Microsoft’s [ONNX 运行时](https://www.onnxruntime.ai) .


> 注意
>
> 目前，ONNX 导出器 API 有两种风格，但本教程将重点介绍 `torch.onnx.dynamo_export` 。


 TorchDynamo 引擎用于挂钩 Python’s 框架评估 API 并动态地将其字节码重写为 [FX 计算图](https://pytorch.org/docs/stable/fx.html). 最终生成的 FX 计算图在最终转换为 [ONNX 计算图](https://github.com/onnx/onnx/blob/main/docs/IR.md) 之前经过打磨 n.


 这种方法的主要优点是 [FX 计算图](https://pytorch.org/docs/stable/fx.html) 使用字节码分析捕获，保留了模型的动态特性而不是使用传统的静态跟踪技术。


## 依赖项

 需要 PyTorch 2.1.0 或更高版本。 ONNX 导出器依赖于额外的 Python 包:

>
> * [ONNX](https://onnx.ai) 标准库
> * [ONNX Script](https://onnxscript.ai) 该库使开发人员以富有表现力且简单的方式使用 Python 子集来编写 ONNX 运算符、函数和模型。


 它们可以通过
 [pip](https://pypi.org/project/pip/) 安装 :

```
pip install --upgrade onnx onnxscript

```

 要验证安装，请运行以下命令:
```
import torch
print(torch.__version__)

import onnxscript
print(onnxscript.__version__)

from onnxscript import opset18  # opset 18 is the latest (and only) supported version for now

import onnxruntime
print(onnxruntime.__version__)

```

 每个导入必须成功且没有任何错误，并且必须打印出库版本。


## 进一步阅读

 下面的列表涉及从基本示例到高级场景的教程，但不一定按照列出的顺序。您可以直接跳到您感兴趣的特定主题，或者耐心地阅读所有内容了解有关 ONNX 导出器的所有信息。

 1. [将 PyTorch 模型导出到 ONNX](export_simple_model_to_onnx_tutorial.html)

 2. [扩展 ONNX 注册表](onnx_registry_tutorial.html)