onnx运行时python绑定
onnxruntime的Python项目详细描述
onnx运行时 实现对经过训练的机器学习（ML）的高性能评估 在保持低资源使用率的同时进行建模。 在微软致力于 Open Neural Network Exchange (ONNX) 社区，它也支持传统的ml模型 作为深度学习算法 ONNX-ML format。 文件可在 Python Bindings for ONNX Runtime。
示例
下面的示例演示了一个端到端的示例 在一个非常常见的场景中。使用scikit learn训练模型 但它必须在优化的环境中运行得非常快。 然后将模型转换为onnx格式和onnx运行时 替换scikit learn来计算预测。
# Train a model.
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y)
clr = RandomForestClassifier()
clr.fit(X_train, y_train)
# Convert into ONNX format with onnxmltools
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
initial_type = [('float_input', FloatTensorType([1, 4]))]
onx = convert_sklearn(clr, initial_types=initial_type)
with open("rf_iris.onnx", "wb") as f:
f.write(onx.SerializeToString())
# Compute the prediction with ONNX Runtime
import onnxruntime as rt
import numpy
sess = rt.InferenceSession("rf_iris.onnx")
input_name = sess.get_inputs()[0].name
label_name = sess.get_outputs()[0].name
pred_onx = sess.run([label_name], {input_name: X_test.astype(numpy.float32)})[0]
更改
0.3.1
protobuf lite，nuget文件修复（补丁到0.3.0）。
0.3.0
c-api，linux支持dotnet-nuget包，cuda 9.1支持。
0.2.1
C-API、Linux对Dotnet Nuget包的支持、CUDA 10.0支持（补丁到0.2.0）。
0.2.0
C-API、Linux对Dotnet Nuget包的支持、CUDA 10.0支持
0.1.5
GA发布作为开放源代码onnxruntime（0.1.4补丁）的一部分。
0.1.4
GA发布作为开放源代码onnxruntime的一部分。
0.1.3
修复了不支持AVX指令的计算机上的崩溃。
0.1.2
在Ubuntu16.04上首次发布的CPU和GPU，带有CUDA9.1和CUDNN7.0， 支持深度学习模型体系结构的运行时，如AlexNet、ResNet， 例外，vgg，inception，densenet，标准线性学习者， 标准合奏学习者， 变换标量器，输入器。
欢迎加入QQ群-->： 979659372
