雷锋网消息，今日微软和 Facebook 发布了一个全新的开源项目——ONNX，欲借此打造一个开放的深度学习开发工具生态系统。ONNX 的全称为“Open Neural Network Exchange”，即“开放的神经网络切换”。顾名思义，该项目的目的是让不同的神经网络开发框架做到互通互用。目前，Microsoft Cognitive Toolkit，PyTorch 和 Caffe2 已宣布支持 ONNX。
ONNX 所针对的，可以说是深度学习开发生态中最关键的问题之一：
开发框架的碎片化。
在任意一个框架上训练的神经网络模型，无法直接在另一个框架上用。开发者需要耗费大量时间精力把模型从一个开发平台移植到另一个。
借助 ONNX，开发者能把在 PyTorch 上训练的模型直接拿到 Caffe2 上进行推理。对于把模型从研究阶段推向产品阶段，这是一个经常遇到的场景。微软宣布正积极开发 Microsoft Cognitive Toolkit 的下个版本，将会提供对 ONNX 的支持。
ONNX 的工作原理是：
实时跟踪某个神经网络是如何在这些框架上生成的，接着，使用这些信息创建一个通用的计算图，即符合ONNX 标准的计算图。这样做行得通，是因为在计算方面，这些框架产生的最终结果都非常接近，虽然更高级的表达不同。
PyTorch、Microsoft Cognitive Toolkit 等框架提供的界面，让开发者创建、运行用来表示神经网络的计算图更加方便。虽然功能相似，但每一个框架都用一套不同的格式表示这些计算图。雷锋网获知，ONNX 的表示方式有两个核心优势：
开发者能更方便地在不同框架间切换，为不同任务选择最优工具。基本每个框架都会针对某个特定属性进行优化，比如训练速度、对网络架构的支持、能在移动设备上推理等等。在大多数情况下，研发阶段最需要的属性和产品阶段是不一样的。这导致效率的降低，比如选择不切换到最合适的框架，又或者把模型转移到另一个框架导致额外的工作，造成进度延迟。使用支持 ONNX 表示方式的框架，则大幅简化了切换过程，让开发者的工具选择更灵活。
硬件设备商们推出的对神经网络性能的优化，将能够一次性影响到多个开发框架——如果用的是 ONNX 表示方式。如果优化很频繁，把它们单独整合到各个框架是个非常耗费时间的事。通过 ONNX 表示方式，更多开发者就能获取这些优化。
ONNX 为可扩展的计算图模型、内部运算器（Operator）以及标准数据类型提供了定义。在初始阶段，Facebook 和微软会专注于推理（Inference）所需要的各项能力（评估）。
每个计算数据流图以节点列表的形式组织起来，构成一个非循环的图。节点有一个或多个的输入与输出。每个节点都是对一个运算器的调用。图还会包含协助记录其目的、作者等信息的元数据。
运算器在图的外部实现，但那些内置的运算器可移植到不同的框架上。每个支持 ONNX 的框架将在匹配的数据类型上提供这些运算器的实现。
ONNX 标准能否在深度学习开发者们接受，在很大程度上将取决于它在各个框架上的普及程度。
在雷锋网看来，目前 ONNX 最大的问题是，最受欢迎的开发框架 TensorFlow 没有兼容 ONNX 标准。亚马逊的御用框架 MXNet 也没有。Facebook 和微软都表示，将来会持续有更多框架加入到 ONNX 生态中，但没有透露 TensorFlow 和 MXNet 是否在计划中。谷歌和亚马逊也还没有对此事表达态度，他们愿不愿意合作，尚属未知。
初始版 ONNX 的代码、文件，已在 GitHub 上开源。Facebook 和微软表示将会持续改进 ONNX， 将会在不久的将来推出范例、工具、reference implementations 以及模型。
更多关于 ONNX 的信息可访问 Facebook 官方博客。
via 微软，venturebeat
