تبادل الشبكات العصبية المفتوح (ONNX)

ما هو ONNX؟

تبادل الشبكات العصبية المفتوح (ONNX) هو تنسيق مفتوح المصدر تم إنشاؤه لتسهيل قابلية تبادل نماذج التعلم الآلي بين منصات وأدوات مختلفة. نشأ نتيجة تعاون بين فيسبوك ومايكروسوفت، وتم إطلاقه رسمياً في سبتمبر 2017. يعمل كجسر بين أطر التعلم الآلي المتنوعة، مما يسمح للمطورين بنقل النماذج دون الحاجة إلى إعادة هيكلتها أو إعادة تدريبها. هذا التوحيد يعزز نهجاً أكثر كفاءة ومرونة في نشر النماذج عبر بيئات مختلفة.

الميزات الرئيسية لـ ONNX

1. التكامل: تم تصميم ONNX بشكل أساسي للسماح بتبادل النماذج بسلاسة بين أطر التعلم الآلي الكبرى مثل TensorFlow، PyTorch، Caffe2، وMicrosoft Cognitive Toolkit (CNTK). يشمل هذا التكامل كلاً من نماذج التعلم العميق والتعلم التقليدي، مما يمكّن المطورين من الاستفادة من مزايا الأدوات المختلفة دون التقيد بنظام بيئي واحد.
2. التوحيد القياسي: يوفر ONNX تنسيقاً موحداً يتضمن مجموعة مشتركة من العمليات وأنواع البيانات. يضمن هذا التوحيد أن تكون النماذج متسقة وقابلة للعمل عند نقلها بين المنصات، مما يقلل من مشكلات التوافق التي غالباً ما تظهر مع التنسيقات الخاصة.
3. مدعوم من المجتمع: يُعزى نجاح وتطور ONNX إلى مجتمعه النشط من المطورين والمؤسسات. يضمن هذا التعاون تحديث ONNX وتحسينه باستمرار، مما يعزز الابتكار في نشر نماذج الذكاء الاصطناعي.
4. تحسين الأجهزة: يدعم ONNX منصات أجهزة متعددة، ويقدم تحسينات للنماذج لتعزيز الأداء عبر أجهزة متنوعة مثل وحدات المعالجة الرسومية (GPU) ووحدات المعالجة المركزية (CPU). هذه القدرة ضرورية لنشر النماذج في بيئات ذات موارد محدودة أو لتحسين أوقات الاستدلال في أنظمة الإنتاج.
5. إدارة الإصدارات والتوافق: يحافظ ONNX على التوافق مع الإصدارات السابقة، مما يسمح للنماذج المطورة بإصدارات أقدم بالعمل بكفاءة ضمن بيئات أحدث. يضمن هذا النهج إمكانية تطوير النماذج دون التضحية بالوظائف أو الأداء.

مشغل ONNX (ONNX Runtime)

ONNX Runtime هو محرك عالي الأداء ينفذ نماذج ONNX، ويضمن تشغيلها بكفاءة عبر أجهزة ومنصات متعددة. يوفر العديد من التحسينات ويدعم مزودين متعددين للتنفيذ، مما يجعله لا غنى عنه لنشر نماذج الذكاء الاصطناعي في الإنتاج. يمكن دمج ONNX Runtime مع نماذج من أطر مثل PyTorch وTensorFlow وscikit-learn وغيرها. يقوم بتطبيق تحسينات على الرسم البياني وتخصيص الأجزاء الفرعية لمسرعات مخصصة للأجهزة، مما يضمن أداءً متفوقاً مقارنة بالأطر الأصلية.

حالات الاستخدام والأمثلة

1. الرعاية الصحية: في التصوير الطبي، يسهل ONNX نشر نماذج التعلم العميق لمهام مثل اكتشاف الأورام في صور الرنين المغناطيسي عبر منصات تشخيصية مختلفة.
2. السيارات: يلعب ONNX دوراً حيوياً في المركبات ذاتية القيادة، حيث يمكّن من دمج نماذج اكتشاف الأجسام لدعم اتخاذ القرار في أنظمة القيادة الذاتية في الوقت الفعلي.
3. التجزئة: يُبسط ONNX نشر أنظمة التوصية في التجارة الإلكترونية، مما يعزز تجارب التسوق المخصصة باستخدام نماذج تم تدريبها على أطر مختلفة.
4. التصنيع: يمكن تطوير نماذج الصيانة التنبؤية في إطار عمل واحد ونشرها في أنظمة المصانع باستخدام ONNX، مما يؤدي إلى تحسين الكفاءة التشغيلية.
5. المالية: يمكن دمج نماذج كشف الاحتيال التي تم إنشاؤها في إطار عمل واحد بسلاسة في أنظمة البنوك باستخدام ONNX، مما يعزز إجراءات منع الاحتيال.
6. الزراعة: يدعم ONNX الزراعة الدقيقة من خلال تمكين تكامل نماذج المحاصيل والتربة في أنظمة إدارة زراعية متعددة.
7. التعليم: تستفيد أنظمة التعلم التكيفي من ONNX لدمج نماذج الذكاء الاصطناعي التي تخصص تجارب التعلم عبر منصات تعليمية متنوعة.

الأطر الشائعة المتوافقة مع ONNX

• PyTorch: معروف برسمه البياني الحسابي الديناميكي وسهولة استخدامه، ويستخدم على نطاق واسع في البحث والتطوير.
• TensorFlow: إطار شامل طورته Google، ويوفر واجهات برمجة التطبيقات لبناء ونشر نماذج التعلم الآلي.
• Microsoft Cognitive Toolkit (CNTK): فعال في تدريب نماذج التعلم العميق، خاصة في مهام التعرف على الكلام والصورة.
• Apache MXNet: مدعوم من Amazon، ويُعرف بمرونته وكفاءته عبر منصات السحابة والهواتف المحمولة.
• Scikit-Learn: مشهور بخوارزميات التعلم الآلي التقليدية، مع دعم تحويل ONNX عبر sklearn-onnx.
• Keras: واجهة برمجة عالية المستوى تعمل فوق TensorFlow، وتركز على التجريب السريع.
• Apple Core ML: يمكّن من دمج النماذج في تطبيقات iOS، مع دعم لتحويلات ONNX.

فوائد استخدام ONNX

• مرونة الأطر: يسمح ONNX بالتبديل بين أطر التعلم الآلي المختلفة، مما يعزز المرونة في تطوير النماذج ونشرها.
• كفاءة النشر: يتيح نشر النماذج عبر منصات وأجهزة متنوعة دون تعديلات جوهرية.
• دعم المجتمع والصناعة: يضمن مجتمع قوي ودعم صناعي مستمر التحسينات واعتماد ONNX على نطاق واسع.

تحديات تبني ONNX

• تعقيد التحويل: يمكن أن تكون عملية تحويل النماذج إلى تنسيق ONNX معقدة، خاصة للنماذج التي تحتوي على طبقات أو عمليات مخصصة.
• توافق الإصدارات: قد يكون ضمان التوافق بين إصدارات ONNX المختلفة والأطر تحدياً.
• دعم محدود للعمليات الخاصة: قد لا يتم دعم بعض العمليات المتقدمة في ONNX، مما يحد من استخدامه في بعض السيناريوهات.

فهم ONNX (تبادل الشبكات العصبية المفتوح)

تبادل الشبكات العصبية المفتوح (ONNX) هو تنسيق مفتوح المصدر تم تصميمه لتسهيل قابلية تبادل نماذج الذكاء الاصطناعي عبر أطر التعلم الآلي المختلفة. وقد لاقى رواجاً في مجتمع الذكاء الاصطناعي بفضل قدرته على توفير تنسيق موحد وقابل للنقل لتمثيل نماذج التعلم العميق، مما يتيح النشر السلس عبر منصات متنوعة. فيما يلي ملخصات لأهم الأوراق العلمية المتعلقة بـ ONNX والتي تبرز تطبيقه وتطوره:

1. ترجمة نماذج الشبكات العصبية ONNX باستخدام MLIR

• المؤلفون: تيان جين، جيورجي-تيودور بيرتسيا، تونغ دي. لي، تونغ تشين، غونغ سو، هاروكي إيماي، ياسوشي نيغيش، آنه ليو، كيفن أوبراين، كييوكوني كاواتشيا، ألكسندر إي. آيخنبرغر
• الملخص: تناقش هذه الورقة مترجم onnx-mlir الذي يحول نماذج ONNX إلى كود قابل للتنفيذ باستخدام بنية التمثيل الوسيط متعدد المستويات (MLIR). يقدم المؤلفون لهجتين جديدتين داخل MLIR لتحسين استدلال نماذج ONNX. ويعد هذا العمل محورياً في تعزيز قابلية نقل النماذج وتحسينها عبر بيئات الحوسبة المختلفة.

2. Sionnx: مولد اختبارات وحدات تلقائي لتوافق ONNX

• المؤلفون: شينلي كاي، بينغ زو، شوهان دينغ، غويانغ تشين، ويفينغ زانغ
• الملخص: تقدم الورقة إطار Sionnx، وهو إطار عمل لإنشاء اختبارات وحدات للتحقق من توافق عمليات ONNX عبر تطبيقات متعددة. من خلال استخدام لغة مواصفات العمليات عالية المستوى (OSL)، يضمن Sionnx تغطية اختبار شاملة، مما يسهل التحقق القوي بين الأطر المختلفة. وتعد هذه الأداة ضرورية للحفاظ على الاتساق والموثوقية في تنفيذ نماذج ONNX.

3. QONNX: تمثيل الشبكات العصبية الكمية بدقة عشوائية

• المؤلفون: أليساندرو بابالاردو، يامان أومور أوغلو، ميكايلا بلوت، يوفان ميترفيسكي، بن هوكس، نان تران، فلاديمير لونكار، سيوني سامرز، هندريك بوراس، جولز موهيزي، ماثيو ترامز، شيه-تشيه هسو، سكوت هاوك، خافيير دوارتي
• الملخص: توسع هذه الورقة تنسيق ONNX لدعم الشبكات العصبية الكمية بدقة عشوائية. يسمح إدخال عمليات جديدة مثل Quant وBipolarQuant وTrunc ضمن تنسيق Quantized ONNX (QONNX) بتمثيل فعال للكمية منخفضة الدقة. يدعم هذا التطور عمليات نشر أكثر كفاءة للشبكات العصبية على الأجهزة ذات متطلبات الدقة المتنوعة.