今年9月，F(xiàn)acebook宣布推出“開(kāi)源神經(jīng)網(wǎng)絡(luò)交換”（ONNX），呼吁其他公司加入，旨在為不同編程框架的神經(jīng)網(wǎng)絡(luò)創(chuàng)建共享模型。今天，F(xiàn)acebook聯(lián)合AWS和微軟宣布，在合作伙伴的支持下，第一個(gè)正式版本的ONNX已經(jīng)正式投入使用。
目前機(jī)器學(xué)習(xí)生態(tài)系統(tǒng)中的一個(gè)關(guān)鍵問(wèn)題是，開(kāi)發(fā)和執(zhí)行神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)系統(tǒng)有很多不同的框架，但它們都是截然不同的，而且不支持相互操作。ONNX的出現(xiàn)將為開(kāi)發(fā)者提供更強(qiáng)的工具組合和更簡(jiǎn)單的傳輸模型，從而有助于創(chuàng)建一個(gè)自由、創(chuàng)新的AI生態(tài)系統(tǒng)。自推出以來(lái)，ONNX就得到了各界的響應(yīng)。AMD、ARM、IBM、英特爾、華為、英偉達(dá)、高通都宣布支持ONNX，除此之外還有許多公司都為其推出做出了貢獻(xiàn)。
目前ONNX已支持Caffe2、微軟的Cognitive Toolkit、亞馬遜偏愛(ài)的機(jī)器學(xué)習(xí)框架Apache MXNet（9月的最初版本上是不支持的該框架的）、PyTorch和英偉達(dá)的TensorRT。雖然還不支持TensorFlow等其他的框架，但ONNX為它們提供了相應(yīng)的轉(zhuǎn)換器。
當(dāng)前的ONNX主要是為視覺(jué)應(yīng)用設(shè)計(jì)的，將來(lái)研究人員打算將其應(yīng)用于更多領(lǐng)域，包括語(yǔ)言建模等動(dòng)態(tài)模型。
聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題，請(qǐng)聯(lián)系本站處理。
舉報(bào)投訴
-
神經(jīng)網(wǎng)絡(luò)
-
Facebook
-
共享
原文標(biāo)題：Facebook開(kāi)源項(xiàng)目ONNX正式使用，欲打造共享神經(jīng)網(wǎng)絡(luò)
文章出處：【微信號(hào)：jqr_AI，微信公眾號(hào)：論智】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。
相關(guān)推薦
神經(jīng)網(wǎng)絡(luò)辨識(shí)模型是一種基于人工神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)方法，它具有以下特點(diǎn)： 非線性映射能力 ：神經(jīng)網(wǎng)絡(luò)能夠處理非線性問(wèn)題，可以很好地?cái)M合復(fù)雜的非線性系統(tǒng)。 泛化能力 ：
![的頭像]()
發(fā)表于 07-11 11:12
?240次閱讀
處理、語(yǔ)音識(shí)別等領(lǐng)域取得了顯著的成果。PyTorch是一個(gè)開(kāi)源的深度學(xué)習(xí)框架，由Facebook的AI研究團(tuán)隊(duì)開(kāi)發(fā)。它以其易用性、靈活性和高效性而受到廣泛歡迎。在PyTorch中，有許多預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)
![的頭像]()
發(fā)表于 07-11 09:59
?527次閱讀
遞歸神經(jīng)網(wǎng)絡(luò)是一種旨在處理分層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，使其特別適合涉及樹(shù)狀或嵌套數(shù)據(jù)的任務(wù)。這些網(wǎng)絡(luò)明確地模擬了層次結(jié)構(gòu)中的關(guān)系和依賴關(guān)系，例如語(yǔ)言中的句法結(jié)構(gòu)或圖像中的層次表示。它使用遞歸操
![的頭像]()
發(fā)表于 07-10 17:21
?314次閱讀
PyTorch，作為一個(gè)廣泛使用的開(kāi)源深度學(xué)習(xí)庫(kù)，提供了豐富的工具和模塊，幫助開(kāi)發(fā)者構(gòu)建、訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)模型。在神經(jīng)網(wǎng)絡(luò)模型中，輸出層是尤為關(guān)鍵的部分，它負(fù)責(zé)將
![的頭像]()
發(fā)表于 07-10 14:57
?305次閱讀
RNN（Recurrent Neural Network，循環(huán)神經(jīng)網(wǎng)絡(luò)）是一種具有循環(huán)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型，它能夠處理序列數(shù)據(jù)，并對(duì)序列中的元素進(jìn)行建模。RNN在自然語(yǔ)言處理、語(yǔ)音識(shí)別、時(shí)間序列預(yù)測(cè)等
![的頭像]()
發(fā)表于 07-05 09:50
?393次閱讀
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種模擬人腦神經(jīng)網(wǎng)絡(luò)的計(jì)算模型，具有自適應(yīng)、自學(xué)習(xí)、泛化能力強(qiáng)等特點(diǎn)。本文將詳細(xì)介紹人工神經(jīng)網(wǎng)絡(luò)
![的頭像]()
發(fā)表于 07-05 09:17
?299次閱讀
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks, ANNs）是一種模擬人腦神經(jīng)元網(wǎng)絡(luò)的計(jì)算模型，它在許多領(lǐng)域，如圖像識(shí)別、語(yǔ)音識(shí)別、自然語(yǔ)言處理、預(yù)測(cè)分析等有著廣泛的應(yīng)用。本文將
![的頭像]()
發(fā)表于 07-05 09:13
?448次閱讀
不同的神經(jīng)網(wǎng)絡(luò)模型，它們?cè)诮Y(jié)構(gòu)、原理、應(yīng)用等方面都存在一定的差異。本文將從多個(gè)方面對(duì)這兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行詳細(xì)的比較和分析。 引言 神經(jīng)網(wǎng)絡(luò)是一種模擬人腦
![的頭像]()
發(fā)表于 07-02 14:24
?1051次閱讀
數(shù)學(xué)建模神經(jīng)網(wǎng)絡(luò)模型是一種基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)建模方法，它通過(guò)模擬人腦神經(jīng)元的連接和信息傳遞機(jī)制，對(duì)復(fù)雜系統(tǒng)進(jìn)行建模和分析。神經(jīng)網(wǎng)絡(luò)
![的頭像]()
發(fā)表于 07-02 11:36
?584次閱讀
數(shù)學(xué)建模神經(jīng)網(wǎng)絡(luò)模型是一種基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)建模方法，它通過(guò)模擬人腦神經(jīng)元的工作機(jī)制，實(shí)現(xiàn)對(duì)復(fù)雜問(wèn)題的建模和求解。神經(jīng)網(wǎng)絡(luò)
![的頭像]()
發(fā)表于 07-02 11:31
?650次閱讀
PyTorch是一個(gè)流行的深度學(xué)習(xí)框架，它以其簡(jiǎn)潔的API和強(qiáng)大的靈活性在學(xué)術(shù)界和工業(yè)界得到了廣泛應(yīng)用。在本文中，我們將深入探討如何使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò)，包括從基礎(chǔ)概念到高級(jí)特性的全面解析。本文旨在為讀者提供一個(gè)完整的
![的頭像]()
發(fā)表于 07-02 11:31
?441次閱讀
模型： 多層感知器（Multilayer Perceptron，MLP）： 多層感知器是最基本的深度神經(jīng)網(wǎng)絡(luò)模型，由多個(gè)全連接層組成。每個(gè)隱藏層的神經(jīng)元數(shù)量可以不同，通常使用激活函數(shù)如
![的頭像]()
發(fā)表于 07-02 10:00
?557次閱讀
神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 神經(jīng)網(wǎng)絡(luò)是一種受人腦啟發(fā)的機(jī)器學(xué)習(xí)模型，由大量的節(jié)點(diǎn)（或稱為“神經(jīng)元”）組成，這些節(jié)點(diǎn)在網(wǎng)絡(luò)中相互連接。每個(gè)節(jié)點(diǎn)可以接收輸入，
![的頭像]()
發(fā)表于 07-02 09:58
?275次閱讀
抑制任務(wù)是語(yǔ)音增強(qiáng)領(lǐng)域的一個(gè)重要學(xué)科, 隨著深度神經(jīng)網(wǎng)絡(luò)的興起，提出了幾種基于深度模型的音頻處理新方法[1,2,3,4]。然而，這些通常是為離線處理而開(kāi)發(fā)的，不需要考慮實(shí)時(shí)性。當(dāng)使用神經(jīng)網(wǎng)絡(luò)
發(fā)表于 05-11 17:15
傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)。 1. 局部連接和權(quán)值共享：卷積神經(jīng)網(wǎng)絡(luò)通過(guò)設(shè)置局部連接和權(quán)值
![的頭像]()
發(fā)表于 12-07 15:37
?3758次閱讀
Facebook推出ONNX，旨在為不同編程框架的神經(jīng)網(wǎng)絡(luò)創(chuàng)建共享模型
工商網(wǎng)監(jiān)
評(píng)論