开放神经网络交换格式（ONNX） 是一个开放的生态系统，使 AI 开发者能够在项目演进过程中选择最适合的工具。ONNX 提供了一种面向人工智能模型的开源格式，涵盖深度学习和传统机器学习领域。它定义了一个可扩展的计算图模型，以及内置算子和标准数据类型的规范。目前，我们的重点是推理（打分）所需的功能。

ONNX 受到 广泛支持，并已集成到众多框架、工具和硬件中。通过实现不同框架之间的互操作性，并简化从研究到生产的流程，ONNX 有助于加速 AI 社区的创新步伐。我们诚挚邀请社区成员加入我们，共同推动 ONNX 的进一步发展。

使用 ONNX

• ONNX Python 包文档
• 创建 ONNX 模型的教程
• 预训练的 ONNX 模型

了解 ONNX 规范

• 概述
• ONNX 中间表示规范
• 规范的版本控制原则
• 算子文档
• 算子文档（最新版本）
• Python API 概述

用于处理 ONNX 图的编程工具

• 形状与类型推断
• 图优化
• Opset 版本转换

贡献

ONNX 是一个社区驱动的项目，其开放治理模式在 这里 有所描述。我们鼓励您参与其中，提供反馈、想法和代码。您可以加入 特别兴趣小组 和 工作组，共同塑造 ONNX 的未来。

请参阅我们的 贡献指南，开始您的贡献之旅。

如果您认为某些算子应被添加到 ONNX 规范中，请阅读 本文档。

社区会议

指导委员会、工作组和 SIG 的定期会议日程可在 这里 查看。

社区聚会每年至少举行一次。以往社区聚会的相关内容如下：

• 2020年4月9日 https://lf-aidata.atlassian.net/wiki/spaces/DL/pages/14091402/LF+AI+Day+-ONNX+Community+Virtual+Meetup+-+Silicon+Valley+-+2020+April+9
• 2020年10月14日 https://lf-aidata.atlassian.net/wiki/spaces/DL/pages/14092138/LF+AI+Day+-+ONNX+Community+Workshop+-+2020+October+14
• 2021年3月24日 https://lf-aidata.atlassian.net/wiki/spaces/DL/pages/14092424/Instructions+for+Event+Hosts+-+LF+AI+Data+Day+-+ONNX+Virtual+Community+Meetup+-+March+2021
• 2021年10月21日 https://lf-aidata.atlassian.net/wiki/spaces/DL/pages/14093194/LF+AI+Data+Day+ONNX+Community+Virtual+Meetup+-+October+2021
• 2022年6月24日 https://lf-aidata.atlassian.net/wiki/spaces/DL/pages/14093969/ONNX+Community+Day+-+2022+June+24
• 2023年6月28日 https://lf-aidata.atlassian.net/wiki/spaces/DL/pages/14094507/ONNX+Community+Day+2023+-+June+28

讨论

我们鼓励您打开 问题，或使用 Slack（如果您尚未加入，请使用此 链接 加入群组）进行更实时的讨论。

关注我们

及时了解最新的 ONNX 动态。[Facebook] [Twitter/X]

路线图

每年都会制定路线图。更多详情请参见 这里。

安装

ONNX 发布的软件包已在 PyPi 上架。

pip install onnx # 或 pip install onnx[reference] 以获取可选的参考实现依赖项

ONNX 每周版 也在 PyPI 上发布，以便于实验和早期测试。

详细的安装说明，包括常见构建选项和常见错误，可在 这里 找到。

Python ABI3 兼容性

本包提供了 abi3-兼容的轮子，允许单个二进制轮子在多个 Python 版本上运行（从 3.12 开始）。

测试

ONNX 使用 pytest 作为测试驱动程序。要运行测试，您需要先安装 pytest：

pip install pytest

安装完 pytest 后，使用以下命令运行测试：

pytest

开发

有关说明，请参阅 贡献者指南。

可重复构建（Linux）

该项目为 Linux 提供可重复构建功能。

所谓“可重复构建”，是指无论由谁、在何处构建，相同的源代码始终会产生完全相同的二进制输出。

为此，我们采用 SOURCE_DATE_EPOCH 标准。这确保了构建时间戳及其他依赖于时间的信息被固定，从而使输出在不同环境中逐位相同。

为什么这很重要

• 透明性：任何人都可以验证分发的二进制文件确实是由已发布的源代码构建而成。
• 安全性：防止在构建过程中被篡改或引入隐藏的更改。
• 信任：用户可以确信他们下载的二进制文件正是维护者所期望的版本。

如果您愿意，也可以直接使用预先构建好的可复现二进制文件，而无需自行从源代码构建。

许可证

Apache许可证v2.0

商标

有关商标的信息，请访问 https://trademarks.justia.com。

Linux基金会关于商标使用的通用规则

行为准则

ONNX开源行为准则

ONNX 快速上手指南

ONNX (Open Neural Network Exchange) 是一个开放的生态系统，旨在为 AI 模型（包括深度学习和传统机器学习）提供通用的开源格式。它定义了可扩展的计算图模型、内置算子和标准数据类型，主要专注于推理（Inferencing）能力，帮助开发者在不同框架和硬件之间实现互操作性。

环境准备

• 操作系统：支持 Linux, macOS, Windows。
• Python 版本：推荐 Python 3.8 及以上版本（支持 abi3 兼容轮子，适用于 Python 3.12+）。
• 前置依赖：
  • pip 包管理工具
  • protobuf (安装 onnx 时通常会自动处理，若需手动编译则需预先安装)

安装步骤

1. 基础安装

通过 PyPI 安装最新稳定版：

pip install onnx

国内加速建议：如果您在中国大陆，建议使用清华或阿里镜像源以加快下载速度：

pip install onnx -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 可选依赖安装

如果您需要参考实现（reference implementation）的相关依赖：

pip install "onnx[reference]"

3. 验证安装

安装完成后，可通过以下命令检查版本：

python -c "import onnx; print(onnx.__version__)"

基本使用

以下是使用 ONNX Python API 加载模型并进行简单形状推断的最简示例。

示例：加载模型并执行形状推断

假设您已经有一个名为 model.onnx 的模型文件：

import onnx
from onnx import shape_inference

# 1. 加载现有的 ONNX 模型
model = onnx.load("model.onnx")

# 2. 执行形状推断 (Shape Inference)
# 这会根据输入数据的形状推导出图中所有中间张量的形状
inferred_model = shape_inference.infer_shapes(model)

# 3. 保存推断后的模型
onnx.save(inferred_model, "model_inferred.onnx")

# 4. 检查模型有效性
try:
    onnx.checker.check_model(inferred_model)
    print("模型检查通过！")
except onnx.checker.ValidationError as e:
    print(f"模型无效：{e}")

示例：从零创建一个简单的计算图

import onnx
from onnx import helper, TensorProto

# 定义输入
X = helper.make_tensor_value_info('X', TensorProto.FLOAT, [1, 3])
# 定义输出
Y = helper.make_tensor_value_info('Y', TensorProto.FLOAT, [1, 3])

# 定义节点 (例如：Identity 操作)
node_def = helper.make_node(
    'Identity',
    inputs=['X'],
    outputs=['Y'],
)

# 创建图形
graph_def = helper.make_graph(
    [node_def],
    'test-model',
    [X],
    [Y],
)

# 创建模型
model_def = helper.make_model(graph_def, producer_name='onnx-example')

# 保存模型
onnx.save(model_def, 'simple_model.onnx')
print("简单模型已创建并保存为 simple_model.onnx")

更多详细教程和预训练模型请访问 ONNX Tutorials 和 ONNX Models。