微軟Facebook聯(lián)手發(fā)布AI生態(tài)系統(tǒng)，推出開放神經(jīng)網(wǎng)絡(luò)交換格式
微軟Facebook聯(lián)手發(fā)布AI生態(tài)系統(tǒng)，推出OpenNeuralNetworkExchange（ONNX，開放神經(jīng)網(wǎng)絡(luò)交換）格式，這是一個用于表示深度學(xué)習(xí)模型的標(biāo)準(zhǔn)，可使模型在不同框架之間進行轉(zhuǎn)移。ONNX是邁向開放生態(tài)系統(tǒng)的第一步，AI開發(fā)人員可以輕松地在最先進的工具之間轉(zhuǎn)換，并選擇最適合他們的組合。但是，現(xiàn)在系統(tǒng)支持的框架只有Caffe2，PyTorch和CognitiveToolkit，谷歌的TensorFlow并沒有被包含在內(nèi)。在TensorFlow的市場份額迅猛增長的當(dāng)下，兩家企業(yè)的聯(lián)手，似乎有特別的意味。
Facebook和微軟宣布，推出OpenNeuralNetworkExchange（ONNX，開放神經(jīng)網(wǎng)絡(luò)交換）格式，庫卡機器人何服電機維修，這是一個用于表示深度學(xué)習(xí)模型的標(biāo)準(zhǔn)，可使模型在不同框架之間進行轉(zhuǎn)移。ONNX是邁向開放生態(tài)系統(tǒng)的第一步，AI開發(fā)人員可以輕松地在最先進的工具之間轉(zhuǎn)換，并選擇最適合他們的組合。
以下是Facebook、微軟官方博客的介紹：
在開發(fā)學(xué)習(xí)模型時，工程師和研究人員有許多AI框架可以選擇。在項目開始時，開發(fā)人員必須選擇對應(yīng)一個框架的特征（features）。很多時候，在研發(fā)過程中進行實驗時選擇的feature與生產(chǎn)所需的feature是不一致的。許多組織都沒有很好的方法來消除這些操作模式之間的差距，只有采取一系列創(chuàng)造性的解決辦法來應(yīng)對，例如要求研究人員在生產(chǎn)系統(tǒng)中工作或人工翻譯模型。
Facebook與微軟一起開發(fā)了ONNX，以彌合這一差距，讓AI開發(fā)人員可以選擇符合項目當(dāng)前階段的框架，并隨著項目的發(fā)展輕松切換框架。Caffe2，PyTorch和CognitiveToolkit將在9月份發(fā)布對ONNX的支持，這將允許在其中一個框架訓(xùn)練的模型導(dǎo)出到另一個框架來進行推理。我們邀請社區(qū)加入這一努力，并在其生態(tài)系統(tǒng)中支持ONNX。實現(xiàn)不同框架之間的相互操作性，簡化從研究到生產(chǎn)的過程，將有助于提高AI社區(qū)創(chuàng)新的速度。
ONNX在Facebook內(nèi)部使用
ONNX是Facebook深度學(xué)習(xí)方法的重要組成部分。在Facebook的AI團隊（FAIR和AML）中，我們不斷嘗試推動AI的前沿研究，開發(fā)更好的學(xué)習(xí)算法。當(dāng)我們得到一個突破時，我們希望盡快在應(yīng)用中提供更好的技術(shù)。通過ONNX，我們專注于將AI研究和產(chǎn)品實現(xiàn)更緊密地結(jié)合在一起，從而更快地進行創(chuàng)新和部署。
嘗試新模型的人們，特別是研究人員，希望在編寫神經(jīng)網(wǎng)絡(luò)時擁有最大的靈活性和表現(xiàn)力從動態(tài)神經(jīng)網(wǎng)絡(luò)到支持梯度漸變（gradientsofgradients），同時保持基本的ConvNet性能。研究人員也想實現(xiàn)快速迭代，這意味著他們需要優(yōu)秀的交互式開發(fā)和調(diào)試工具。PyTorch旨在突破研究框架的局限，使研究人員免受平臺的限制，讓他們能夠比以前更容易地表達想法。
相反，產(chǎn)品流程每天都需要對大量新的數(shù)據(jù)進行訓(xùn)練和推理，同時保持模型大部分不變。仔細(xì)優(yōu)化產(chǎn)品的特定模型的代碼，例如通過量化和仔細(xì)編寫人工調(diào)整的代碼（hand-tunedcode）之類的技巧節(jié)省資源。Caffe2已經(jīng)在產(chǎn)品、移動和極端考慮性能的情況構(gòu)建起來。Caffe2的內(nèi)部靈活而且高度優(yōu)化，所以我們可以利用技巧將更大更好的模型部署到性能不足的硬件中。
通過ONNX，我們可以在這兩個方面獲得最優(yōu)。我們現(xiàn)在可以從PyTorch導(dǎo)出許多常見神經(jīng)網(wǎng)絡(luò)的模型，并將它們部署在Caffe2上。這是將最新的研究成果快速推向生產(chǎn)的第一步。在接下來的幾個月中，我們將加強ONNX，并對Caffe2和PyTorch進行改進，使其能夠更深入地互通。
怎么運行
為了實現(xiàn)ONNX支持，我們必須對PyTorch和Caffe2進行更改，并且在框架之間統(tǒng)一運算符。在Caffe2中，這個過程類似于添加一個翻譯器，因為Caffe2已經(jīng)有一個內(nèi)置的靜態(tài)圖。在PyTorch中，神經(jīng)網(wǎng)絡(luò)是被定義為程序而不是顯式圖，因此這帶來了更大的挑戰(zhàn)。為了從程序中提取圖，我們開發(fā)了一個跟蹤器，將運行時程序執(zhí)行的操作記錄下來。跟蹤程序消除了復(fù)雜性，并使其更容易轉(zhuǎn)換為圖表示。
要了解它是如何工作的，看以下代碼：
x=y*2
ifsomeComplicatedFunction（）：z=x+y
else:z=x*y
要直接導(dǎo)出此代碼，ONNX將不得不支持conditionals和某些復(fù)雜函數(shù)someComplicatedFunction（）；實際上成了通用編程語言。然而，在許多深度學(xué)習(xí)模型中，someComplicatedFunction（）的結(jié)果在推理過程中總是相同的。例如，在PyTorch條件中，通常是對輸入張量的大小或尺寸進行的一些計算。在這些情況下，通過代碼的單一跟蹤將會更簡單，并且可以輕松地在ONNX中表示為：
#someComplicatedFunction（）==True
x=y*2z=x+y
目前，我們的tracer能與許多常見的神經(jīng)網(wǎng)絡(luò)配合使用，但PyTorch中一些更先進的程序，比如有動態(tài)流控制（dynamicflowcontrol）的程序還不行。隨著時間的推移，我們將完善ONNX和tracer來支持這些程序，讓開發(fā)人員可以充分利用PyTorch的靈活性與Caffe2的高性能強大部署功能。
微軟：ONNX表征具有框架互操作性和共享優(yōu)化兩大優(yōu)點
在Facebook發(fā)布博客的同時，微軟也發(fā)布了題為《微軟和Facebook為AI模型的互操作性構(gòu)建開放生態(tài)系統(tǒng)》的博客。在博客中，微軟表示：
微軟給大家做出的承諾是人人有機會更方便，更有價值。我們提供各種平臺和工具來促進這一點，包括我們的認(rèn)知工具包，一個構(gòu)建深層神經(jīng)網(wǎng)絡(luò)的開源框架。我們還與其他分享我們觀點的組織合作，幫助AI社區(qū)。
今天，我們高興地宣布，工業(yè)機器人維修，微軟和Facebook一起推出OpenNeuralNetworkExchange（ONNX，開放神經(jīng)網(wǎng)絡(luò)交換）格式。ONNX為AI框架生態(tài)系統(tǒng)中的互操作性和創(chuàng)新提供了共享的模型表征。CognitiveToolkit，Caffe2和PyTorch都將支持ONNX。微軟和Facebook共同開發(fā)了ONNX這一開源項目，并希望社區(qū)能夠幫助其不斷進化。
什么是ONNX表征？
CognitiveToolkit和其他框架提供了使開發(fā)人員更容易構(gòu)建和運行表征神經(jīng)網(wǎng)絡(luò)的計算圖的界面。雖然提供的功能類似，但是今天的每個框架都有自己表征這些圖的格式。ONNX表征有以下主要優(yōu)點：
1.框架互操作性
開發(fā)人員可以更輕松地在框架間轉(zhuǎn)換，并為手頭的任務(wù)選擇最佳工具。每個框架都針對具體特性進行了優(yōu)化，如快速訓(xùn)練，支持靈活的網(wǎng)絡(luò)架構(gòu)，在移動端進行推理等等。許多時候，研發(fā)過程中最重要的特性與生產(chǎn)環(huán)節(jié)最重要的特性是不同的。這導(dǎo)致開發(fā)人員在框架之間進行模型轉(zhuǎn)換時，會因框架使用不正確或明顯延遲而使得效率降低。使用ONNX表征的框架簡化了這一點，www.whsntf.cn，使得開發(fā)人員更加靈活。
2.共享優(yōu)化
硬件供應(yīng)商和其他改進神經(jīng)網(wǎng)絡(luò)性能的優(yōu)化可以通過定位ONNX表征來同時影響多個框架。優(yōu)化經(jīng)常需要被分別整合進入每個框架，這一過程很費時間。ONNX表征使得優(yōu)化更容易實現(xiàn)，從而覆蓋更多開發(fā)人員。
技術(shù)總結(jié)
ONNX提供了可擴展計算圖模型的定義，以及內(nèi)置operators和標(biāo)準(zhǔn)數(shù)據(jù)類型的定義。起初我們專注于推理（評價）所需的能力。
每個計算數(shù)據(jù)流圖被構(gòu)造為形成非循環(huán)圖的節(jié)點列表。節(jié)點具有一個或多個輸入和一個或多個輸出。每個節(jié)點是對operators的調(diào)用。
可用性