📘 模型转换实战手册
从训练到部署 · 30章全
📚
30 章节
⚡
ONNX · TensorRT · OpenVINO · TFLite · Core ML · NCNN · MNN
01
模型转换概述
什么是转换
跨框架
端侧部署
02
ONNX 基础
生态优势
安装验证
03
PyTorch → ONNX
torch.onnx.export
动态轴
opset
04
TensorFlow → ONNX
tf2onnx
Keras
SavedModel
05
ONNX 可视化
Netron
图结构
张量信息
06
ONNX 模型优化
onnx-simplifier
常量折叠
冗余消除
07
ONNX 模型验证
onnxruntime
精度对比
一致性
08
TensorRT 基础
安装配置
硬件精度
09
ONNX → TensorRT
trtexec
Python API
动态batch
10
TensorRT 引擎构建
序列化
BuilderConfig
内存优化
11
TensorRT 推理实践
Python/C++
输入输出绑定
异步
12
TensorRT 精度管理
FP32/FP16/INT8
校准数据集
精度损失
13
OpenVINO 基础
安装配置
硬件支持
14
ONNX → OpenVINO
mo工具
模型优化
IR文件
15
OpenVINO 推理实践
Inference Engine
异步推理
多设备
16
TFLite 基础
TFLite 介绍
安装
17
TF → TFLite
TFLiteConverter
量化选项
代表数据集
18
TFLite 推理实践
Android/iOS
Python接口
GPU委托
19
Core ML 基础
Apple生态
模型格式
20
ONNX → Core ML
coremltools
iOS部署
21
Core ML 推理实践
Xcode集成
Swift推理
性能优化
22
NCNN 基础
特点优势
编译安装
23
ONNX → NCNN
onnx2ncnn
模型优化
FP16存储
24
NCNN 推理实践
C++接口
多线程
Vulkan
25
MNN 基础
阿里巴巴
安装编译
26
ONNX → MNN
MNNConvert
模型压缩
量化
27
MNN 推理实践
Python/C++
性能调优
内存管理
28
模型量化技术
对称/非对称
PTQ
QAT
29
部署最佳实践
模型选择
精度速度
CI/CD
30
综合实战
PyTorch→ONNX
TensorRT
OpenVINO
TFLite