Deep Learning Academy · Pelajaran

Ekspor ke ONNX

Jalankan model Anda di berbagai runtime

Ekspor ke ONNX adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

One Model, Many Runtimes

Sometimes your model must run somewhere PyTorch is not installed. ONNX is a shared format that lets one model run across many engines. 🌐

What ONNX Stands For

ONNX means Open Neural Network Exchange. It is a vendor-neutral file format that describes your model as a graph of standard operations.

Why Teams Love ONNX

With ONNX you train in PyTorch but deploy on ONNX Runtime, mobile, or the browser, without rewriting the model for each platform.

Export in One Call

You export by giving PyTorch the model and a sample input. The exporter traces the run and writes a portable graph to disk.

import torch
torch.onnx.export(model, sample_input, 'model.onnx')

The Dummy Input Shapes the Graph

That sample tensor must match your real input shape and dtype, because the exporter records the operations the data triggers.

sample_input = torch.randn(1, 3, 224, 224)

Name Your Inputs and Outputs

Give clear input and output names so the serving code can bind data by name instead of guessing positions.

torch.onnx.export(model, x, 'm.onnx',
  input_names=['image'], output_names=['logits'])

Allow Flexible Batch Sizes

By default the batch size is fixed. Mark it as a dynamic axis so the exported model accepts any number of inputs at once.

dynamic_axes={'image': {0: 'batch'}}

Always Check Your Export

Load the file with the onnx library and run the built-in checker to confirm the graph is valid before you ship it. ✅

import onnx
onnx.checker.check_model(onnx.load('model.onnx'))

Run It with ONNX Runtime

ONNX Runtime is a fast engine that executes the exported model on CPU or GPU, often quicker than plain Python inference.

import onnxruntime as ort
session = ort.InferenceSession('model.onnx')

Confirm the Numbers Match

Run the same input through PyTorch and ONNX Runtime and compare outputs. They should match closely, proving the export is faithful.

Mind the Opset Version

Each export targets an opset version, the set of supported operations. Pick a version your target runtime understands to avoid errors.

torch.onnx.export(model, x, 'm.onnx', opset_version=17)

Quick Check

You want a fixed batch to instead accept any size. What do you set?

Recap: Portable Across Runtimes

You exported a PyTorch model to ONNX with a sample input, named axes, validated it, and ran it on ONNX Runtime anywhere. 🎉

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Ekspor ke ONNX” gratis?

Ya — teks lengkap “Ekspor ke ONNX” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Ekspor ke ONNX”?

Jalankan model Anda di berbagai runtime Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?

Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.

Berapa lama pelajaran “Ekspor ke ONNX” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?

Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

← Kembali ke Deep Learning Academy