Partager via


onnxruntime Paquet

ONNX Runtime (préversion) permet d’évaluer les performances élevées des modèles Machine Learning (ML) entraînés tout en gardant l’utilisation des ressources faible. En s’appuyant sur le dévouement de Microsoft à la Open Neural Network Exchange (ONNX) <https://onnx.ai/>_community, il prend en charge les modèles ML traditionnels ainsi que les algorithmes Deep Learning dans _ ONNX-ML format <https://github.com/onnx/onnx/blob/master/docs/IR.md>.

Paquets

backend

ONNX Runtime (préversion) permet d’évaluer les performances élevées des modèles Machine Learning (ML) entraînés tout en gardant l’utilisation des ressources faible. En s’appuyant sur le dévouement de Microsoft à la Open Neural Network Exchange (ONNX) <https://onnx.ai/>_community, il prend en charge les modèles ML traditionnels ainsi que les algorithmes Deep Learning dans _ ONNX-ML format <https://github.com/onnx/onnx/blob/master/docs/IR.md>.

capi

ONNX Runtime (préversion) permet d’évaluer les performances élevées des modèles Machine Learning (ML) entraînés tout en gardant l’utilisation des ressources faible. En s’appuyant sur le dévouement de Microsoft à la Open Neural Network Exchange (ONNX) <https://onnx.ai/>_community, il prend en charge les modèles ML traditionnels ainsi que les algorithmes Deep Learning dans _ ONNX-ML format <https://github.com/onnx/onnx/blob/master/docs/IR.md>.

datasets

Exemples courts utilisés dans la documentation.

tools

ONNX Runtime (préversion) permet d’évaluer les performances élevées des modèles Machine Learning (ML) entraînés tout en gardant l’utilisation des ressources faible. En s’appuyant sur le dévouement de Microsoft à la Open Neural Network Exchange (ONNX) <https://onnx.ai/>_community, il prend en charge les modèles ML traditionnels ainsi que les algorithmes Deep Learning dans _ ONNX-ML format <https://github.com/onnx/onnx/blob/master/docs/IR.md>.