PyTorch模型转ONNX · 避坑指南 · 课程目录

01

ONNX 基础认知

什么是ONNX为什么需要ONNX生态与工具链

01.html

02

PyTorch 导出核心API

torch.onnx.export动态轴/静态轴参数详解

02.html

03

导出前准备工作

eval模式输入格式设备一致性

03.html

04

算子支持与坑

算子映射不支持替代方案

04.html

05

动态形状处理

dynamic_axes翻车原因正确设置

05.html

06

控制流与动态图

if/for陷阱torch.jit.script

06.html

07

自定义算子导出

注册自定义算子ONNX Runtime加载

07.html

08

输入输出命名与调试

起名技巧onnxruntime调试

08.html

09

模型验证与精度对比

onnxruntime验证精度阈值损失原因

09.html

10

量化模型导出

QDQ格式INT8导出注意事项

10.html

11

多输入多输出模型

多输入技巧多输出命名

11.html

12

Batch维度处理

固定/可变BatchONNX表示

12.html

13

ONNX模型可视化

Netron发现潜在问题

13.html

14

模型简化与优化

onnx-simplifier常量折叠节点融合

14.html

15

模型分块与合并

分块导出合并方法

15.html

16

ONNX Runtime部署

C++/Python接口性能调优

16.html

17

TensorRT 部署

TensorRT支持动态形状处理

17.html

18

OpenVINO 部署

ONNX支持转换与推理优化

18.html

19

移动端部署

NCNN/MNN端侧优化

19.html

20

模型加密与保护

加密方案自定义解密加载

20.html

21

版本兼容性

opset差异选择合适版本

21.html

22

调试工具链

调试模式onnxshapeinference

22.html

23

常见错误与解决方案

错误码解析运行时排查

23.html

24

profiling工具瓶颈分析

24.html

25

TensorFlow互转

onnx-tf转换注意事项

25.html

26

onnx-coremliOS部署适配

26.html

27

Triton Server多模型管理

27.html

28

边缘设备部署

Jetson系列资源受限优化

28.html

29

测试与CI/CD集成

自动化测试质量门禁

29.html

30

实战项目总结

全流程案例常见问题复盘

30.html