本次查询：ONNX
中文解释：开放神经网络交换格式
常见场景：AI模型训练后的部署 / 跨平台迁移 / 边缘设备推理 / 模型优化与压缩
一句话解释
ONNX是一种开放的、跨平台的AI模型格式标准，它允许开发者将在一种框架（如PyTorch）中训练的模型，轻松转换并部署到另一种框架或硬件（如TensorFlow、移动端、边缘设备）上运行，解决了AI模型“一次训练，处处部署”的互操作性难题。
为什么会被关注
随着AI应用从实验室走向各行各业，模型需要在云端、移动端、嵌入式设备等多种环境中部署。然而，主流框架（PyTorch、TensorFlow等）的模型格式互不兼容，导致重复开发和部署成本高昂。ONNX的出现，为业界提供了一个公认的“中间语言”，成为连接模型训练与生产部署的关键桥梁，因此备受开发者和企业关注。
核心逻辑
ONNX的核心逻辑是定义了一套通用的计算图表示。它将AI模型抽象为一个由节点（算子）和边（数据流）组成的有向无环图。每个节点代表一个基本运算（如卷积、矩阵乘法），并携带参数。通过将不同框架的模型先“翻译”成这个标准的计算图格式（ONNX模型），再利用各平台提供的ONNX运行时（Runtime）进行加载和执行，从而实现跨框架和跨硬件的统一部署。
常见场景
跨框架模型迁移：将PyTorch研究模型转换为ONNX，再导入TensorFlow Serving进行生产部署。
边缘设备推理：在资源受限的移动手机或IoT设备上，使用专门的ONNX运行时（如ONNX Runtime）高效执行已转换的轻量级模型。
模型优化与工具链集成：利用ONNX作为中间格式，接入专门的模型压缩、量化或编译优化工具（如TVM），提升推理性能后再部署到目标平台。
容易混淆的点
ONNX不是推理框架：它本身不执行模型，只是一个格式标准。实际执行需要依赖ONNX Runtime、TensorRT等推理引擎。
并非所有算子都完美支持：某些框架特有的、复杂的或自定义的算子，在转换到ONNX格式时可能丢失或不支持，需要额外处理或寻找替代实现。
转换可能带来精度损失或性能变化：模型格式转换本质上是一种“翻译”，在极少数情况下可能引入微小的数值差异，且转换后的模型在不同运行时上的性能表现也可能有差异。