实现一个ONNX后端¶
什么是ONNX后端¶
ONNX 后端是一个可以运行 ONNX 模型的库。由于已经存在许多深度学习框架，您可能不需要从头开始创建所有内容。相反，您可能会创建一个转换器，将 ONNX 模型转换为相应框架的特定表示，然后将执行委托给该框架。例如，onnx-caffe2（作为 caffe2 的一部分）、onnx-coreml 和 onnx-tensorflow 都是作为转换器实现的。
统一的后端接口¶
ONNX 在 onnx/backend/base.py 定义了一个统一的（Python）后端接口。
此接口中有三个核心概念：Device、Backend 和 BackendRep。
Device是对各种硬件（例如CPU、GPU等）的轻量级抽象。Backend是接收带有输入的 ONNX 模型、执行计算并返回输出的实体。对于一次性执行，用户可以使用
run_node和run_model快速获取结果。对于重复执行，用户应使用
prepare，其中Backend会为重复执行模型完成所有准备工作（例如，加载初始化器），并返回一个BackendRep句柄。BackendRep是Backend在准备重复执行模型后返回的句柄。用户随后将输入传递给BackendRep的run函数以检索相应的结果。
请注意，尽管ONNX统一后端接口是用Python定义的，但您的后端不需要用Python实现。例如，您可以用C++创建，并使用诸如pybind11或cython等工具来实现该接口。
ONNX 后端测试¶
ONNX 提供了一个标准的后端测试套件，以帮助后端实现的验证。强烈建议每个 ONNX 后端运行此测试。
将ONNX后端测试套件集成到您的CI中非常简单。以下是一些示例，展示了后端如何执行集成：
如果你已经安装了pytest，你可以在运行ONNX后端测试后获得一个覆盖率报告，以查看你的后端表现如何：
---------- onnx coverage: ----------
Operators (passed/loaded/total): 21/21/70
------------------------------------
╒════════════════════╤════════════════════╕
│ Operator │ Attributes │
│ │ (name: #values) │
╞════════════════════╪════════════════════╡
│ Slice │ axes: 2 │
│ │ ends: 3 │
│ │ starts: 3 │
├────────────────────┼────────────────────┤
│ Constant │ value: 1 │
├────────────────────┼────────────────────┤
│ Concat │ axis: 0 │
├────────────────────┼────────────────────┤
│ Conv │ group: 6 │
│ │ kernel_shape: 5 │
│ │ pads: 4 │
│ │ strides: 3 │
│ │ auto_pad: 0 │
│ │ dilations: 0 │
├────────────────────┼────────────────────┤
│ Reshape │ shape: 9 │
├────────────────────┼────────────────────┤
│ BatchNormalization │ consumed_inputs: 1 │
│ │ epsilon: 2 │
│ │ is_test: 1 │
│ │ momentum: 0 │
│ │ spatial: 0 │
├────────────────────┼────────────────────┤
│ Dropout │ is_test: 1 │
│ │ ratio: 2 │
├────────────────────┼────────────────────┤
│ MaxPool │ kernel_shape: 2 │
│ │ pads: 3 │
│ │ strides: 2 │
│ │ auto_pad: 0 │
│ │ dilations: 0 │
├────────────────────┼────────────────────┤
│ Transpose │ perm: 1 │
├────────────────────┼────────────────────┤
│ MatMul │ No attributes │
├────────────────────┼────────────────────┤
│ Relu │ No attributes │
├────────────────────┼────────────────────┤
│ LRN │ alpha: 2 │
│ │ beta: 1 │
│ │ bias: 2 │
│ │ size: 1 │
├────────────────────┼────────────────────┤
│ Add │ axis: 1 │
│ │ broadcast: 1 │
├────────────────────┼────────────────────┤
│ Abs │ No attributes │
├────────────────────┼────────────────────┤
│ Pad │ mode: 3 │
│ │ paddings: 2 │
│ │ value: 1 │
├────────────────────┼────────────────────┤
│ Softmax │ axis: 0 │
├────────────────────┼────────────────────┤
│ GlobalAveragePool │ No attributes │
├────────────────────┼────────────────────┤
│ Mul │ axis: 1 │
│ │ broadcast: 1 │
├────────────────────┼────────────────────┤
│ Sum │ No attributes │
├────────────────────┼────────────────────┤
│ Gemm │ broadcast: 1 │
│ │ transB: 1 │
│ │ alpha: 0 │
│ │ beta: 0 │
│ │ transA: 0 │
├────────────────────┼────────────────────┤
│ AveragePool │ kernel_shape: 3 │
│ │ pads: 3 │
│ │ strides: 2 │
│ │ auto_pad: 0 │
╘════════════════════╧════════════════════╛
行中的数字 Operators (passed/loaded/total): 21/21/70 表示在你的后端的所有测试用例中覆盖的21个操作符已通过，ONNX后端测试的所有测试用例中覆盖了21个操作符，而ONNX总共有70个操作符。