微軟Facebook聯手發布AI生態系統，推出 Open Neural Network Exchange（ONNX，開放神經網絡交換）格式，這是一個用于表示深度學習模型的標準，可使模型在不同框架之間進行轉移。ONNX是邁向開放生態系統的第一步，歐洲主要代理 德國服務器，AI開發人員可以輕松地在最先進的工具之間轉換，并選擇最適合他們的組合。但是，現在系統支持的框架只有Caffe2，PyTorch 和Cognitive Toolkit ，谷歌的TensorFlow并沒有被包含在內。在TensorFlow的市場份額迅猛增長的當下，兩家企業的聯手，似乎有特別的意味。
Facebook 和微軟宣布，推出 Open Neural Network Exchange（ONNX，開放神經網絡交換）格式，這是一個用于表示深度學習模型的標準，可使模型在不同框架之間進行轉移。ONNX是邁向開放生態系統的第一步，AI開發人員可以輕松地在最先進的工具之間轉換，并選擇最適合他們的組合。
在開發學習模型時，工程師和研究人員有許多AI框架可以選擇。在項目開始時，開發人員必須選擇對應一個框架的特征（features）。很多時候，在研發過程中進行實驗時選擇的 feature 與生產所需的 feature 是不一致的。許多組織都沒有很好的方法來消除這些操作模式之間的差距，只有采取一系列創造性的解決辦法來應對，例如要求研究人員在生產系統中工作或人工翻譯模型。
Facebook 與微軟一起開發了 ONNX，以彌合這一差距，讓AI開發人員可以選擇符合項目當前階段的框架，并隨著項目的發展輕松切換框架。Caffe2，PyTorch 和Cognitive Toolkit 將在9月份發布對 ONNX 的支持，這將允許在其中一個框架訓練的模型導出到另一個框架來進行推理。我們邀請社區加入這一努力，并在其生態系統中支持ONNX。實現不同框架之間的相互操作性，簡化從研究到生產的過程，將有助于提高AI社區創新的速度。
ONNX 在 Facebook 內部使用
ONNX 是 Facebook 深度學習方法的重要組成部分。在Facebook的AI團隊（FAIR和AML）中，我們不斷嘗試推動AI的前沿研究，開發更好的學習算法。當我們得到一個突破時，我們希望盡快在應用中提供更好的技術。通過ONNX，我們專注于將AI研究和產品實現更緊密地結合在一起，從而更快地進行創新和部署。
嘗試新模型的人們，特別是研究人員，希望在編寫神經網絡時擁有最大的靈活性和表現力——從動態神經網絡到支持梯度漸變（gradients of gradients），同時保持基本的ConvNet性能。研究人員也想實現快速迭代，這意味著他們需要優秀的交互式開發和調試工具。PyTorch旨在突破研究框架的局限，使研究人員免受平臺的限制，讓他們能夠比以前更容易地表達想法。
相反，產品流程每天都需要對大量新的數據進行訓練和推理，同時保持模型大部分不變。仔細優化產品的特定模型的代碼，例如通過量化和仔細編寫人工調整的代碼（hand-tuned code）之類的技巧節省資源。Caffe2已經在產品、移動和極端考慮性能的情況構建起來。Caffe2的內部靈活而且高度優化，所以我們可以利用技巧將更大更好的模型部署到性能不足的硬件中。
通過 ONNX，我們可以在這兩個方面獲得最優。我們現在可以從PyTorch導出許多常見神經網絡的模型，并將它們部署在Caffe2上。這是將最新的研究成果快速推向生產的第一步。在接下來的幾個月中，我們將加強ONNX，并對Caffe2和PyTorch進行改進，使其能夠更深入地互通。
怎么運行
為了實現ONNX支持，我們必須對PyTorch和Caffe2進行更改，并且在框架之間統一運算符。在Caffe2中，這個過程類似于添加一個翻譯器，因為Caffe2已經有一個內置的靜態圖。在PyTorch中，神經網絡是被定義為程序而不是顯式圖，因此這帶來了更大的挑戰。為了從程序中提取圖，我們開發了一個跟蹤器，東莞電信服務器 河南電信服務器，將運行時程序執行的操作記錄下來。跟蹤程序消除了復雜性，并使其更容易轉換為圖表示。
要了解它是如何工作的，看以下代碼：
x = y * 2
if someComplicatedFunction(): z = x + y
else: z = x * y
要直接導出此代碼，ONNX將不得不支持conditionals和某些復雜函數 someComplicatedFunction()；實際上成了通用編程語言。然而，在許多深度學習模型中，someComplicatedFunction() 的結果在推理過程中總是相同的。例如，在PyTorch條件中，通常是對輸入張量的大小或尺寸進行的一些計算。在這些情況下，通過代碼的單一跟蹤將會更簡單，并且可以輕松地在ONNX中表示為：
#someComplicatedFunction() == True
x = y * 2 z = x + y
