ONNX Runtime Backend 项目教程
2024-08-25 15:23:03作者:何举烈Damon
1. 项目的目录结构及介绍
onnxruntime_backend/
├── CMakeLists.txt
├── LICENSE
├── README.md
├── backend
│ ├── CMakeLists.txt
│ ├── onnxruntime_backend.cc
│ ├── onnxruntime_backend.h
│ ├── onnxruntime_utils.cc
│ ├── onnxruntime_utils.h
│ └── ...
├── build.py
├── docs
│ └── ...
├── examples
│ └── ...
├── scripts
│ └── ...
└── tests
└── ...
目录结构介绍
- CMakeLists.txt: 项目的主要构建文件。
- LICENSE: 项目的许可证文件。
- README.md: 项目的说明文档。
- backend: 包含后端实现的主要代码文件。
- onnxruntime_backend.cc/h: ONNX Runtime 后端的主要实现文件。
- onnxruntime_utils.cc/h: 工具函数和辅助类。
- build.py: 构建脚本。
- docs: 项目文档。
- examples: 示例代码。
- scripts: 辅助脚本。
- tests: 测试代码。
2. 项目的启动文件介绍
项目的启动文件主要是 backend/onnxruntime_backend.cc,该文件包含了 ONNX Runtime 后端的主要实现逻辑。以下是该文件的关键部分:
#include "onnxruntime_backend.h"
#include "onnxruntime_utils.h"
namespace triton { namespace backend { namespace onnxruntime {
TRITONSERVER_Error* ONNXRuntimeBackend::Create(TRITONBACKEND_Model* model, ONNXRuntimeBackend** backend) {
// 创建后端实例
}
TRITONSERVER_Error* ONNXRuntimeBackend::Init() {
// 初始化后端
}
TRITONSERVER_Error* ONNXRuntimeBackend::Execute(TRITONBACKEND_Request** requests, const uint32_t request_count) {
// 执行推理请求
}
}}} // namespace triton::backend::onnxruntime
关键函数介绍
- Create: 创建后端实例。
- Init: 初始化后端。
- Execute: 执行推理请求。
3. 项目的配置文件介绍
项目的配置文件主要是 CMakeLists.txt,该文件定义了项目的构建规则和依赖项。以下是该文件的关键部分:
cmake_minimum_required(VERSION 3.12)
project(onnxruntime_backend)
# 设置 ONNX Runtime 版本
set(TRITON_BUILD_ONNXRUNTIME_VERSION "1.14.1")
# 添加子目录
add_subdirectory(backend)
# 设置安装路径
set(CMAKE_INSTALL_PREFIX "${CMAKE_BINARY_DIR}/install")
# 构建目标
add_executable(onnxruntime_backend backend/onnxruntime_backend.cc)
# 安装目标
install(TARGETS onnxruntime_backend DESTINATION backends/onnxruntime)
关键配置介绍
- cmake_minimum_required: 设置 CMake 的最低版本要求。
- project: 定义项目名称。
- set(TRITON_BUILD_ONNXRUNTIME_VERSION): 设置 ONNX Runtime 的版本。
- add_subdirectory: 添加子目录。
- add_executable: 定义构建目标。
- install: 定义安装目标。
以上是 ONNX Runtime Backend 项目的基本教程,涵盖了项目的目录结构、启动文件和配置文件的介绍。希望这些信息能帮助你更好地理解和使用该项目。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0598- Ddeepseek-harnessDeepSeek Harness: Everything is a Plugin.TypeScript057
MooncakeMooncake 是面向大模型服务的通信与存储基础设施,致力于让解耦式大模型架构真正能够在真实生产环境中稳定运行、持续扩展、灵活组合,由趋境科技、月之暗面 Kimi 、清华大学 MADSys 实验室、9#AISoft、阿里云、蚂蚁集团等产学研力量共同建设的开源分布式大模型推理架构。C++06
OnnxOCR基于PaddleOCR重构,并且脱离PaddlePaddle深度学习训练框架的轻量级OCR,推理速度超快 —— A lightweight OCR system based on PaddleOCR, decoupled from the PaddlePaddle deep learning training framework, with ultra-fast inference speed.Python03
源启盛夏_AtomGit暑期开发者成长计划「源启盛夏」暑期校园开发者成长计划旨在激活校园开源力量,通过积分激励、认证扶持、资源倾斜等形式,引导高校组织和开发者完成「入驻 — 建项目 — 做贡献 — 获认证 — 得资源」的完整闭环。无论你是想带领社团入驻平台的组织者,还是希望用代码贡献证明自己的开发者,都能在这里找到属于你的成长路径。Markdown01
airi💖🧸 自托管、归你拥有的 Grok 风格 AI 伴侣与 waifu / 赛博生命灵魂容器,目标是接近 Neuro-sama 的高度;支持实时语音聊天、Minecraft 和 Factorio 游玩,支持 Web / macOS / Windows。TypeScript06
热门内容推荐
最新内容推荐
项目优选
收起
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
515
558
暂无描述
Markdown
862
5.73 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.05 K
2.54 K
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
843
1.3 K
deepin linux kernel
C
33
17
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
858
1.73 K
本仓库fork自上游llvm-project仓,面向openEuler社区提供了前端C/C++语言的支持,中端通用优化能力的增强,以及后端多架构的支持,包括AArch64/X86/LoongArch/RISC-V/SW64等。
C++
159
64
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.36 K
878
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.28 K
1.39 K
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
522
354