PyTorch → ONNX 模型转换实战 · 课程目录

第 01 章

PyTorch模型导出基础

理解 torch.onnx.export 的核心参数与导出流程

📄 01.html

第 02 章

动态轴与静态轴

配置 dynamic_axes 参数处理可变输入尺寸

📄 02.html

第 03 章

算子兼容性排查

使用 torch.onnx.utils.check_model 验证模型有效性

📄 03.html

第 04 章

自定义算子支持

通过 torch.onnx.register_custom_op_symbolic 注册新算子

📄 04.html

第 05 章

输入输出类型指定

使用 torch.onnx.ExportOutput 配置 dtype 和 shape

📄 05.html

第 06 章

模型简化与优化

利用 onnx-simplifier 简化计算图结构

📄 06.html

第 07 章

量化模型导出

处理 torch.quantization 量化后的模型转换

📄 07.html

第 08 章

多输出模型处理

配置 export 函数的 output_names 参数

📄 08.html

第 09 章

条件分支导出

使用 ExportOutput.control_flow 处理 if/else

📄 09.html

第 10 章

循环结构导出

处理 for/while 循环在 ONNX 中的表示

📄 10.html

第 11 章

TensorRT后端适配

为 TensorRT 优化 ONNX 模型的层融合

📄 11.html

第 12 章

ONNX Runtime部署

使用 onnxruntime.InferenceSession 加载模型

📄 12.html

第 13 章

模型加密与保护

对 ONNX 模型进行 AES 加密与解密加载

📄 13.html

第 14 章

版本兼容性处理

解决 PyTorch 与 ONNX Opset 版本不匹配问题

📄 14.html

第 15 章

批处理推理优化

配置 IO Binding 实现批量推理加速

📄 15.html

第 16 章

模型分片导出

将大模型拆分为多个 ONNX 子图

📄 16.html

第 17 章

动态形状模型

处理 NLP 模型中变长序列的导出

📄 17.html

第 18 章

图优化技术

使用 onnxruntime.transformers 进行 Attention 融合

📄 18.html

第 19 章

FP16精度导出

将 FP32 模型转换为 FP16 ONNX 模型

📄 19.html

第 20 章

模型验证流水线

构建导出-验证-部署的自动化 CI 流程

📄 20.html

第 21 章

ONNX Edge部署

针对移动端优化模型大小与推理速度

📄 21.html

第 22 章

多模态模型导出

处理图文多输入模型的 ONNX 转换

📄 22.html

第 23 章

ONNX Runtime Extensions

使用自定义 Operator 扩展推理能力

📄 23.html

第 24 章

模型量化感知训练

QAT 模型的 ONNX 导出与部署

📄 24.html

第 25 章

ONNX模型编辑

使用 onnx.helper 修改模型节点与权重

📄 25.html

第 26 章

性能Profiling

使用 ONNX Runtime 的 profiling 工具分析瓶颈

📄 26.html

第 27 章

模型安全校验

对 ONNX 模型进行数字签名与验证

📄 27.html

第 28 章

分布式推理部署

将 ONNX 模型部署到多GPU/多节点环境

📄 28.html

第 29 章

ONNX模型压缩

使用权重聚类与剪枝技术减小模型体积

📄 29.html

第 30 章

端到端实战案例

从 PyTorch 训练到 ONNX 生产部署全流程

📄 30.html