Library Search
结果页PyTorch 训练 → ONNX 导出 → 推理加速
在 知识库 中找到 8 个匹配结果。
知识库
知识库
8 个 PyTorch 训练 → ONNX 导出 → 推理加速 # ONNX 完整流程：PyTorch 导出 → ONNX Runtime 推理
## 目标
演示标准工作流：PyTorch 训一个 ResNet → 导出为 ONNX → ONNX Runtime 推理 → 验证一致性 + 性能对比。
## 完整代码
```python
import torch
import torchvision.models as models
import num… 3% 02-进阶实战-迁移学习与部署 ```python
# 导出 ONNX
torch.onnx.export(
model.eval(),
example_input, # 样例输入
"resnet50.onnx", # 输出路径
export_params=True,
opset_versi… 3% 图优化、量化与多平台部署全景 ────────── ───────────
PyTorch ────┐ ONNX Runtime (CPU/GPU)
TensorFlow ─┼──→ model.onnx ──→ TensorRT (NVIDIA)
scikit-learn┘ Open… 3% 从 Tokenizer 到 LoRA 微调全流程 1. 为什么 `attention_mask` 对 padding 位置设 0？pytorch 中 mask 值为 0 还是 -inf？
2. LoRA 为什么只训练 Q/V 投影而不训练 FFN？r=8 的 rank 如何影响效果？
3. BERT 和 GPT 的 tokenizer 有何本质区别？为什么 GPT 不能直接用 BERT tokenizer？ 3% 02-neural-network-mnist # ============================================================
# 5. 训练循环
# ============================================================
history = {"train_loss": [], "train_acc": [], "test_loss": [], "… 3% 01-从零入门教程 # PyTorch 入门教程 —— 从线性回归到神经网络
## 本章目标
- 理解动态计算图与自动微分
- 手写梯度下降 → 使用 PyTorch 的 optimizer
- 掌握 nn.Module 的模块化设计思想
- 理解损失函数与优化器的选择
## 1. 动态计算图：为什么 PyTorch 如此灵活？
**静态图（TensorFlow 1.x）：** 先定义完整图 → 编译 → 运… 2% JAX 基础变换实战：grad, jit, vmap ```bash
pip install jax jaxlib
python jax_demo.py
```
## 预期输出
```
x: [1. 2. 3. 4.]
sin(x): [0.8415 0.9093 0.1411 -0.7568]
f(2) = 14.0
f'(2) = 21.0 (期望: 3*4 + 4*2 + 1 = 21)
f''(2) = 16.0 (期望: 6*2 +… 1% 从 Sequential 到迁移学习 ```python
class MyModel(keras.Model):
def __init__(self):
super().__init__()
self.dense1 = layers.Dense(64, activation='relu')
self.dense2 = layers.Dense(10, activation='so… 1%