所属分类：AI大模型与智能应用 当前为单品课程，可返回上一级继续浏览同方向资料。

← 返回上一级

← 返回所属目录咨询 / 购买

模型转换与优化30问:ONNX, TFLite Converter实战

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

学习目标 · 课程结构 · 模型转换与优化的整体价值与应用场景

课程导入学习目标

模型转换基础

什么是模型转换 · 为什么需要转换 · 常见转换格式（ONNX

模型转换基础什么是模型转换

ONNX的起源 · 设计目标 · 生态组件（onnx

TensorFlow Lite的定位 · 与TensorFlow的关系 · TFLite文件格式（FlatBuf…

Python环境 · 安装PyTorch/TensorFl… · ONNX

环境搭建Python

PyTorch模型导出ONNX

使用torch.onnx.expor… · 理解输入输出 · 动态轴

TensorFlow模型导出TFLite

使用TFLite Converter… · Keras模型和具体函数 · 设置优化选项

TensorFlowTFLite

ONNX模型检查与调试

使用onnx.checker · onnx.shape_inferen… · Netron可视化

ONNX模型检查

TFLite模型验证

使用TFLite Interpret… · 执行推理 · 对比原始模型输出

TFLite模型验证

ONNX Runtime推理

使用onnxruntime进行CPU… · 设置session选项 · 输入输出绑定

TFLite推理与部署

在Python · Android · iOS等平台使用TFLite

模型优化概述

模型优化的目标（体积 · 速度 · 精度）

模型优化概述模型优化的目标

使用onnxoptimizer · onnxruntime的图优化（le… · enable_all）及自定义优化p…

TFLite量化基础

量化原理（定点与浮点） · 动态范围量化 · 全整数量化

TFLite量化基础

TFLite量化实战

使用TFLite Converter… · 静态 · 整型）

TFLite量化实战

ONNX量化方法

使用onnxruntime的量化工具… · 以及量化感知训练（QAT）简介

ONNX量化方法

量化感知训练（QAT）

在PyTorch/TensorFlo… · 训练后导出量化模型 · 提升低精度模型精度

QAT量化感知训练

模型剪枝与稀疏化

剪枝原理 · 结构化与非结构化剪枝 · 在PyTorch/TensorFlo…

模型剪枝稀疏化

教师-学生模型 · 蒸馏损失设计 · 在分类/检测任务中应用

知识蒸馏教师

算子融合与图优化

常见融合模式（Conv+BN · MatMul+Add） · ONNX/TFLite中的融合策略及…

算子融合图优化

动态形状与固定形状

动态轴设置 · TFLite动态形状限制 · 如何选择最优输入形状以提升性能

动态形状固定形状

多平台部署实践

将ONNX/TFLite模型部署到服… · 移动端（Android/iOS） · 边缘设备（Raspberry Pi）…

多平台部署实践ONNX/TFLite

性能基准测试

使用onnxruntime和TFLi… · 测量延迟 · 吞吐量

性能基准测试onnxruntime

常见转换错误与解决方案

算子不支持 · 版本不兼容 · 动态控制流

常见转换错误解决方案

自定义算子与扩展

在ONNX和TFLite中注册自定义… · 实现PyTorch/TF中不支持的层 · 并集成到推理引擎

自定义算子扩展

模型安全与加密

模型加密 · 混淆 · 防止盗用

模型安全加密

端到端案例

图像分类模型（ResNet）从PyT… · 优化 · 量化

端到端案例ResNet

端到端案例

目标检测模型（YOLOv5）从PyT… · 处理NMS · 动态尺寸

端到端案例YOLOv5

综合优化策略

结合量化 · 剪枝 · 蒸馏

综合优化策略结合量化

课程总结与进阶方向

回顾核心知识点 · 常见陷阱 · 最佳实践

课程总结进阶方向