PyTorch 中的原生支持
PyTorch 通过 torch.onnx API 包含对 ONNX 的支持，以简化将您的 PyTorch 模型导出为可移植 ONNX 格式的过程。 ONNX Runtime 团队维护这些导出器 API，以确保与 PyTorch 模型的高度兼容性。
import torch
torch.onnx.export(
model,
inputs,
"model.onnx")
PyTorch + ONNX Runtime
PyTorch 以其易于理解和灵活的 API 引领着深度学习领域； 拥有大量现成的模型，尤其是在自然语言处理 (NLP) 领域； 以及其特定领域的库。
随处部署
在云端、桌面、移动设备、物联网甚至浏览器上运行 PyTorch 模型
提升性能
加速 PyTorch 模型以改善用户体验并降低成本
缩短上市时间
微软和许多其他公司在其生产 PyTorch 工作负载中使用
为什么选择 PyTorch + ONNX Runtime？
已为生产环境做好准备
使用 Azure 机器学习中内置的 PyTorch 环境，可靠且大规模地训练和部署模型，以确保最新的 PyTorch 版本通过轻量级、独立的环境获得完全支持，该环境包括诸如 ONNX Runtime for Training 等所需组件，从而有效地为大型模型运行优化训练。
更低延迟，更高吞吐量
更好的性能可以帮助改善您的用户体验并降低您的运营成本。 从计算机视觉（ResNet、MobileNet、Inception、YOLO、超分辨率等）到语音和自然语言处理（BERT、RoBERTa、GPT-2、T5 等）的各种模型都可以从 ONNX Runtime 的优化性能中获益。 ONNX Runtime 团队定期对顶级模型进行基准测试和性能优化。 ONNX Runtime 还与顶级硬件加速器库（如 TensorRT 和 OpenVINO）集成，因此您可以在可用的硬件上获得最佳性能，同时在所有目标平台上使用相同的通用 API。
更快地将创新投入生产
开发敏捷性是总体成本的关键因素。 ONNX Runtime 的构建基于将 PyTorch 模型投入 Microsoft Office、Bing 和 Azure 等大规模服务生产的经验。 过去，将模型从研发到生产需要数周甚至数月的时间。 借助 ONNX Runtime，模型可以在数小时或数天内准备好进行大规模部署。