ONNX - 資料型別

在 ONNX（開放神經網路交換）中，模型中使用的資料型別是模型表示和計算的關鍵方面。作為機器學習模型的標準格式，ONNX 支援一系列資料型別，這些資料型別允許不同機器學習框架之間進行互操作。

在本教程中，我們將探討各種 ONNX 資料型別，包括張量型別、元素型別、稀疏張量以及非張量型別，如序列和對映。

理解 ONNX 中的張量

ONNX 主要關注涉及張量的數值計算，張量是多維陣列。張量用於表示 ONNX 模型中的輸入、輸出和中間值。

每個張量由三個關鍵元件定義 -

• 元素型別：指定張量中所有元素的資料型別。
• 形狀：描述張量維度的陣列。形狀可以是固定的或動態的，並且張量可以具有空形狀（例如，標量）。
• 連續陣列：一個完全填充的資料值陣列。

這種設計優化了 ONNX 用於深度學習應用中的數值計算，在深度學習應用中，大型多維陣列很常見。

支援的元素型別

最初，ONNX 被設計為支援深度學習模型，這些模型通常使用浮點數（32 位浮點數）。但是，當前版本的 ONNX 支援廣泛的元素型別，從而可以在不同的機器學習和資料處理任務中實現靈活性。

以下是 ONNX 中支援的資料型別列表 -

稀疏張量

當處理包含大量零的資料時，稀疏張量很有用。ONNX 支援稀疏張量，特別是 2D 稀疏張量。它們由SparseTensorProto類表示，該類包含以下屬性 -

• dims：指定稀疏張量的形狀。
• indices：張量中非零值的 position（以 int64 儲存）。
• values：實際的非零值。

非張量資料型別

除了張量之外，ONNX 還支援非張量資料型別，例如 -

• 序列：一系列張量。這對於需要處理張量列表或集合的操作很有用。
• 對映：張量值的對映，通常用於關聯陣列或字典。

這些非張量型別更常用於經典的機器學習任務，在這些任務中，需要序列和對映等結構來表示某些操作。