新闻详情

新闻详情

首页 / 资讯中心 / 详情

Pytorch导出ONNX文件教程

发布时间:2026/11/18 0:25:34来源:尧图网络
Pytorch导出ONNX文件教程
新建一个工程文件夹用于存放python文件和生成的onnx文件开启anaconda创建环境输入conda create -n mpu6050task python3.10 -ympu6050task为环境名可自定义启动创建的环境conda activate mpu6050task切换文件路径到创建的工程文件夹在当前窗口中运行以下命令一次性安装 PyTorch、ONNX 及其解析支持库固定使用兼容性最佳的numpy2pip install torch torchvision onnx onnxscript numpy2 -i https://pypi.tuna.tsinghua.edu.cn/simple创建python工程选择已经生成的环境解释器加入代码import torch import torch.nn as nn import torch.onnx # 1. 定义适配 MCU 算力的超轻量 1D 卷积神经网络 class TinyVibrationCNN(nn.Module): def __init__(self, num_classes3): super(TinyVibrationCNN, self).__init__() # 输入: [Batch1, Channel3(X/Y/Z), TimeSteps32] self.conv1 nn.Conv1d( in_channels3, out_channels8, kernel_size3, padding1 ) self.relu nn.ReLU() self.pool nn.MaxPool1d(kernel_size2) # 时间步: 32 - 16 self.conv2 nn.Conv1d( in_channels8, out_channels16, kernel_size3, padding1 ) # 时间步: 16 - 8 self.fc nn.Linear(16 * 8, num_classes) def forward(self, x): x self.pool(self.relu(self.conv1(x))) x self.pool(self.relu(self.conv2(x))) x x.view(x.size(0), -1) # 展平为向量 x self.fc(x) return x if __name__ __main__: # 2. 实例化模型并设为评估模式 model TinyVibrationCNN(num_classes3) model.eval() # 3. 构造虚拟输入 (Batch1, 3轴通道, 32个采样点) dummy_input torch.randn(1, 3, 32, dtypetorch.float32) onnx_filename vibration_model.onnx # 4. 导出为兼容 STM32Cube.AI 的单文件 ONNX torch.onnx.export( model, dummy_input, onnx_filename, export_paramsTrue, opset_version11, # STM32Cube.AI 支持最稳定的算子集 dynamoFalse, # 关键禁用图拆分将权重直接打包进单个 .onnx 文件 do_constant_foldingTrue, input_names[sensor_input], output_names[class_probabilities], ) print(fONNX 模型导出成功: {onnx_filename})在conda终端输入命令进行生成onnx文件python export_model.py
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉