Polygon是一個(gè)建立在以太坊上的Layer2擴(kuò)展解決方案上的公鏈。和以太坊比起來(lái)，Polygon的速度、可擴(kuò)展性和可用性都更加有優(yōu)勢(shì)。Polygon，這也是我們幻塔空間目前部署的公鏈，也就是說(shuō)，幻塔空間這個(gè)平臺(tái)是在基于polygon這條區(qū)塊鏈上去構(gòu)建起來(lái)的。對(duì)于這條區(qū)塊鏈，我們務(wù)必需要了解一下和這條公鏈相關(guān)的知識(shí)以及它的優(yōu)勢(shì)和特點(diǎn)，以方便以后我們能夠更好的使用幻塔空間。Polygon著重布局在區(qū)塊鏈游戲和NFT領(lǐng)域。

　　將PyTorch模型轉(zhuǎn)換為ONNX模型，通常是使用torch.onnx.export()函數(shù)來(lái)轉(zhuǎn)換的，基本的思路是：

　　加載PyTorch模型，可以選擇只加載模型結(jié)構(gòu)；也可以選擇加載模型結(jié)構(gòu)和權(quán)重。

　　最后使用torch.onnx.export()函數(shù)來(lái)轉(zhuǎn)換，生產(chǎn)xxx.onnx模型。

　　下面有一個(gè)簡(jiǎn)單的例子：

　　import torch

　　import torch.onnx

　　#加載PyTorch模型

　　model=...

　　關(guān)于區(qū)塊鏈項(xiàng)目技術(shù)開發(fā)威:MrsFu123，代幣發(fā)行、dapp智能合約開發(fā)、鏈游開發(fā)、多鏈錢包開發(fā)

　　交易所開發(fā)、量化合約開發(fā)、互助游戲開發(fā)、Nft數(shù)字藏品開發(fā)、眾籌互助開發(fā)、元宇宙開發(fā)、swap開發(fā)、

　　鏈上合約開發(fā)、ido開發(fā)、商城開發(fā)等，開發(fā)過(guò)各種各樣的系統(tǒng)模式，更有多種模式、制度、案例、后臺(tái)等，成熟技術(shù)團(tuán)隊(duì)，歡迎實(shí)體參考。

　　#設(shè)置模型輸入，包括：通道數(shù)，分辨率等

　　dummy_input=torch.randn(1,3,224,224,device='cpu')

　　#轉(zhuǎn)換為ONNX模型

　　torch.onnx.export(model,dummy_input,"model.onnx",export_params=True)

　　1.1轉(zhuǎn)換為ONNX模型且加載權(quán)重

　　這里舉一個(gè)resnet18的例子，基本思路是：開發(fā)模式I35詳細(xì)7O98系統(tǒng)O7I8

　　首先加載了一個(gè)預(yù)訓(xùn)練的ResNet18模型；

　　然后將其設(shè)置為評(píng)估模式。接下來(lái)定義一個(gè)與模型輸入張量形狀相同的輸入張量，并使用torch.randn()函數(shù)生成了一個(gè)隨機(jī)張量。

　　最后，使用onnx.export()函數(shù)將PyTorch模型轉(zhuǎn)換為ONNX格式，并將其保存到指定的輸出文件中。

　　import torch

　　import torchvision.models as models

　　#加載預(yù)訓(xùn)練的ResNet18模型

　　model=models.resnet18(pretrained=True)

　　#將模型設(shè)置為評(píng)估模式

　　model.eval()

　　#定義輸入張量，需要與模型的輸入張量形狀相同

　　input_shape=(1,3,224,224)

　　x=torch.randn(input_shape)

　　#需要指定輸入張量，輸出文件路徑和運(yùn)行設(shè)備

　　#默認(rèn)情況下，輸出張量的名稱將基于模型中的名稱自動(dòng)分配

　　device=torch.device("cuda"if torch.cuda.is_available()else"cpu")

　　#將PyTorch模型轉(zhuǎn)換為ONNX格式

　　output_file="resnet18.onnx"

　　torch.onnx.export(model,x.to(device),output_file,export_params=True)

　　class Model(torch.nn.Module):

　　def __init__(self):

　　super().__init__()

　　def forward(self,x):

　　x=x*x[0].item()

　　return x,torch.Tensor([i for i in x])

　　model=Model()

　　dummy_input=torch.rand(10)

　　torch.onnx.export(model,dummy_input,'a.onnx')