教程#

ONNX Runtime 提供了一种简便的方式，可以在 CPU 或 GPU 上高性能地运行机器学习模型，且不依赖于训练框架。机器学习框架通常针对批处理训练进行优化，而不是预测，而预测在应用程序、网站和服务中更为常见。总的来说，你可以

使用你喜欢的框架训练模型。
将模型转换或导出为 ONNX 格式。更多详情请参见 ONNX 教程。
使用 ONNX Runtime 加载并运行模型。

在本教程中，我们将简要地使用 scikit-learn 创建一个管道，将其转换为 ONNX 格式并运行首次预测。

步骤 1：使用你喜欢的框架训练模型#

我们将使用著名的 iris 数据集。

<<<

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y)

from sklearn.linear_model import LogisticRegression
clr = LogisticRegression()
clr.fit(X_train, y_train)
print(clr)

>>>

    LogisticRegression()

步骤 2：将模型转换或导出为 ONNX 格式#

ONNX 是一种描述机器学习模型的格式。它定义了一组常用的操作符来构成模型。有一些工具可以将其他模型格式转换为 ONNX。在这里，我们将使用 ONNXMLTools。

<<<

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

initial_type = [('float_input', FloatTensorType([None, 4]))]
onx = convert_sklearn(clr, initial_types=initial_type)
with open("logreg_iris.onnx", "wb") as f:
    f.write(onx.SerializeToString())

>>>

步骤 3：使用 ONNX Runtime 加载并运行模型#

我们将使用 ONNX Runtime 计算此机器学习模型的预测结果。

<<<

import numpy
import onnxruntime as rt

sess = rt.InferenceSession(
    "logreg_iris.onnx", providers=rt.get_available_providers())
input_name = sess.get_inputs()[0].name
pred_onx = sess.run(None, {input_name: X_test.astype(numpy.float32)})[0]
print(pred_onx)

>>>

    [2 2 2 2 1 0 0 0 0 1 1 1 0 2 1 0 0 2 2 0 0 0 2 1 1 2 1 2 1 2 2 2 1 2 0 2 1
     1]

可以通过将特定输出的名称指定到列表中来修改代码以获取该输出。

<<<

import numpy
import onnxruntime as rt

sess = rt.InferenceSession(
    "logreg_iris.onnx", providers=rt.get_available_providers())
input_name = sess.get_inputs()[0].name
label_name = sess.get_outputs()[0].name
pred_onx = sess.run(
    [label_name], {input_name: X_test.astype(numpy.float32)})[0]
print(pred_onx)

>>>

    [2 2 2 2 1 0 0 0 0 1 1 1 0 2 1 0 0 2 2 0 0 0 2 1 1 2 1 2 1 2 2 2 1 2 0 2 1
     1]