ONNX Runtime Backend 项目教程
2024-08-25 13:50:04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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
26
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
420
3.22 K
Ascend Extension for PyTorch
Python
230
261
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++
689
330
暂无简介
Dart
685
160
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
266
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.22 K
666
仓颉编译器源码及 cjdb 调试工具。
C++
136
869