注意
跳转到末尾以下载完整示例代码。
分析简单模型的执行#
ONNX Runtime 可以分析模型的执行。此示例展示了如何解释结果。
import numpy
import onnx
import onnxruntime as rt
from onnxruntime.datasets import get_example
def change_ir_version(filename, ir_version=6):
"onnxruntime==1.2.0 does not support opset <= 7 and ir_version > 6"
with open(filename, "rb") as f:
model = onnx.load(f)
model.ir_version = 6
if model.opset_import[0].version <= 7:
model.opset_import[0].version = 11
return model
让我们加载一个非常简单的模型并进行一些预测。
example1 = get_example("mul_1.onnx")
onnx_model = change_ir_version(example1)
onnx_model_str = onnx_model.SerializeToString()
sess = rt.InferenceSession(onnx_model_str, providers=rt.get_available_providers())
input_name = sess.get_inputs()[0].name
x = numpy.array([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]], dtype=numpy.float32)
res = sess.run(None, {input_name: x})
print(res)
[array([[ 1., 4.],
[ 9., 16.],
[25., 36.]], dtype=float32)]
在运行预测之前,我们需要启用性能分析。
options = rt.SessionOptions()
options.enable_profiling = True
sess_profile = rt.InferenceSession(onnx_model_str, options, providers=rt.get_available_providers())
input_name = sess.get_inputs()[0].name
x = numpy.array([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]], dtype=numpy.float32)
sess.run(None, {input_name: x})
prof_file = sess_profile.end_profiling()
print(prof_file)
onnxruntime_profile__2025-06-12_17-00-15.json
结果以 JSON 格式存储在一个文件中。让我们看看它包含什么。
[{'args': {},
'cat': 'Session',
'dur': 61,
'name': 'model_loading_array',
'ph': 'X',
'pid': 7737,
'tid': 7737,
'ts': 1},
{'args': {},
'cat': 'Session',
'dur': 189,
'name': 'session_initialization',
'ph': 'X',
'pid': 7737,
'tid': 7737,
'ts': 636}]
脚本总运行时间: (0 分 0.018 秒)