ONNX牵手华为昇腾！开发者可在昇腾上跑原生模型：已支持ONNX算子16个，全量支持ResNet和VGG模型...

Posted 2022-12-19 QbitAl

开发者们看过来，ONNX牵手华为昇腾，现在可以直接在昇腾上跑原生ONNX模型啦！

还记得今年9月，ONNX Runtime项目（ONNX社区流水线核心组件）正式提供对华为昇腾硬件平台的支持，成为ONNX Runtime支持的首个面向端、边、云全场景的国产推理训练AI硬件平台后端。

正式版v1.13.0预计年底发布。

这意味着在此前昇腾主动适配ONNX模型的同时，从2023年开始，ONNX社区版本发布流程中，将开始逐步原生支持昇腾硬件平台，通过开源社区共建大幅降低用户和厂商的成本，实现生态创新共赢。

ONNX社区简介

ONNX (Open Neural Network Exchange)，是由LF AI & Data Foundation[2]发起并维护的一种AI模型格式，用于在各种深度学习训练推理框架之间转换的一个通用表示格式。

而ONNX Runtime是微软发起的基于ONNX模型格式的推理运行时框架，目前已是ONNX社区流水线的核心组件，以及ONNX运行时的事实标准。

根据官方数据，目前有超过25款AI框架支持ONNX模型格式，并且ONNX和ONNX Runtime的落地使用组织或企业分别超过50和25家。

△最新ONNX Runtime的生态全景图

ONNX Runtime北向支持多种开发语言，包括Python，C，C++，C#，Java，js等；南向支持多种运行后端（Execution Provider，包括但不局限于CPU、CUDA、CoreML），使用ONNX Runtime，用户可以基于多种语言快速无缝在多种后端上直接运行ONNX模型，且不再需要额外的开发适配工作。

昇腾CANN简介

ONNX Runtime项目支持华为昇腾硬件平台的关键，是连接AI框架和昇腾硬件的桥梁—异构计算架构CANN。

CANN是专门面向AI场景的异构计算架构，同时作为昇腾AI基础软硬件平台的核心组成部分之一，搭起了从上层深度学习框架到底层AI硬件的桥梁，全面支持昇思MindSpore、飞桨（PaddlePaddle）、PyTorch、TensorFlow、Caffe、计图（Jittor）等主流AI框架，提供900多种优选模型，能够覆盖众多典型场景应用，兼容多种底层硬件设备，提供强大异构计算能力。

昇腾CANN与ONNX的长期合作

华为公司自2018年与微软亚洲研究院共同发起了首届ONNX China Workshop以来，积极参与ONNX社区建设，是历年ONNX Workshop中国地区会议的积极倡导者和组织者，在社区也曾发起Edge WG、提出Model Zoo CI建议、参加Steering Committee选举等等。

昇腾CANN作为华为参与ONNX社区建设中重要的一环，也一直积极参与ONNX社区的模型适配工作。目前已支持140+个onnx模型推理，年底发布的CANN6.0版本将支持200+个模型；支持opset 8~13，主力支持opset 11，算子支持率85+%，CANN6.0支持到90+%。

让昇腾使能ONNX社区版本开发

昇腾CANN团队希望能够将长期以来的主动适配工作，逐渐转化为社区原生开发的一部分，能够更高效的服务用户，让用户第一时间就拥有昇腾AI软硬件平台支持的ONNX版本。而实现社区原生的一大关键就在于社区流水线中实现对昇腾的支持，而ONNX Runtime的支持则是重中之重。

使用最新的ONNX Runtime，用户可以直接把原生ONNX模型跑在昇腾上。过程简单，易于使用。这也是在基于昇腾CANN atc工具的模型编译执行之外的又一条路径。

△ONNX Runtime 支持后端

△CANN Execution Provider 架构

昇腾作为国产芯片在海外开源社区的推入，其过程存在一定挑战。起初社区对于昇腾芯片以及CANN了解不足，昇腾开源团队通过与社区积极沟通、主动参与ONNX meetup、详细讲解昇腾芯片的特点等方式，让社区详细了解了昇腾芯片以及CANN的能力，增强了对昇腾持续投入的信心，从而顺利合入代码。

△ONNX Runtime CANN后端已支持算子列表

目前，ONNX Runtime CANN后端初步已支持ONNX算子16个，全量支持ResNet和VGG模型。用户可以在支持昇腾的环境中使用ONNXRuntime主干分支代码，配合ONNX model zoo[3]中的ResNet和VGG模型进行体验。如果用户想尝试其他的模型和算子，可以参考文档[4]自行编写代码，或者等待新版本发布，届时CANN后端会支持更多算子和模型。

未来，CANN将在多个方面进行完善，包括：更多算子和模型的支持；算子融合、模型性能优化；支持算子自定义等。随着技术不断发展，大数据和机器学习的关系也越来越密切，在未来，也会进一步探索大数据+AI融合的场景，例如Spark+ONNX+Ascend这样的大数据AI全栈流程，探索生产可用、易用的大数据AI解决方案。

ONNX Runtime CANN后端作为新功能难免有不足之处，欢迎大家在开源社区一起交流和完善。

相关链接：

[1]https://github.com/‍microsoft/onnxruntime/pull/12416

[2]https://lfaidata.foundation

[3]https://github.com/onnx/models

[4]https://github.com/learningbackup/ai/blob/main/ascend/CANN%20Development%20Guideline.md

— 完 —

点这里关注我 👇 记得标星噢 ~