实现 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，你很可能不需要从头开始创建所有东西。相反，你可能会创建一个转换器，将 ONNX 模型转换为相应的框架特定表示，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 都作为转换器实现。
统一的后端接口¶
ONNX 在 onnx/backend/base.py 中定义了一个统一的 (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是一个实体，它接收带有输入的 ONNX 模型，执行计算，然后返回输出。对于一次性执行，用户可以使用
run_node和run_model来快速获取结果。对于重复执行，用户应该使用
prepare，其中Backend会完成重复执行模型的所有准备工作（例如加载初始值），并返回一个BackendRep句柄。BackendRep是Backend在准备好重复执行模型后返回的句柄。用户随后会将输入传递给BackendRep的run函数以检索相应的结果。
请注意，即使 ONNX 统一后端接口是用 Python 定义的，你的后端也不需要用 Python 实现。例如，你的后端可以用 C++ 创建，然后使用诸如 pybind11 或 cython 之类的工具来实现该接口。
ONNX 后端测试¶
ONNX 提供了一套标准的后端测试套件，以帮助验证后端实现。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你的 CI 中很简单。以下是一些示例，演示了后端如何执行集成
如果你安装了 pytest，运行 ONNX 后端测试后可以获取覆盖率报告，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 Operators (passed/loaded/total): 21/21/70 中的数字表示你的后端所有测试用例中覆盖的 21 个算子已通过，ONNX 后端测试的所有测试用例中覆盖了 21 个算子，ONNX 共有 70 个算子。