MicrosoftとFacebook、AIモデルの相互運用性を実現する共同プロジェクト「ONNX」を発表：ディープラーニングフレームワーク間で共通のモデル表現が可能に

MicrosoftとFacebookが、AIモデルの相互運用性を実現するオープンソースプロジェクト「ONNX（Open Neural Network Exchange）」を共同開発したと発表。GitHubで公開した。

[＠IT]

　MicrosoftとFacebookは2017年9月7日（米国時間）、異なるディープラーニングフレームワーク間でAI（Artificial Intelligence：人工知能）モデルの相互運用性を実現する共同プロジェクト「ONNX（Open Neural Network Exchange）」を発表した。

Microsoft and Facebook create open ecosystem for AI model interoperability

　ONNXは、Microsoftのディープラーニングツールキット「Cognitive Toolkit（旧称CNTK）」をはじめ、オープンソースのディープラーニングフレームワークである「Caffe2」「PyTorch」などをサポートする。

　ディープラーニングフレームワークは、ニューラルネットワークを表現する計算グラフの作成、実行を容易にするインタフェースを開発者に提供する。それぞれのフレームワークはその点で機能的には似ている。しかし、それぞれ固有のフォーマットでこうしたグラフを表現することからAIモデルに互換性はなく、異なるフレームワークで使うにはAIモデルの変換処理などが必要だった。

　Microsoftは、ONNXには以下2点の大きなメリットがあると説明している。

フレームワークの相互運用性

　開発者は使用するフレームワークを簡単に切り替えられ、当面のタスクに最適なツールを選べるようになる。

　各フレームワークには独自の特性がある。例えば、高速に訓練できる、柔軟なネットワークアーキテクチャをサポートしている、モバイルデバイスでの推論に適しているなどだ。

　しかし多くの場合、研究開発段階と本番環境で「最も重要」とする特性は異なる。最適なフレームワークを使わない（使えない）ことは、効率の悪化につながる。別のフレームワークを使うためのAIモデルの変換処理にもかなりの時間を要する。

　この点、ONNXで実現するフレームワークならば、AIモデルを相互に簡単に切り替えられる。アジリティ（俊敏性）の向上に大きく寄与するはずだ。

効率的な最適化

　ニューラルネットワークのパフォーマンスを高めるために最適化を行うハードウェアベンダーも多い。最適化は大抵の場合、個々のニューラルネットワークごとに行う必要があり、そのために時間もかかるが、ONNXをターゲットにすれば、一度に複数のフレームワークを対象にして最適化できるようになる。

　Microsoftは、こうしたメリットを持つONNXの技術的な仕組みを次のように解説している。

• ONNXは、拡張可能な計算グラフモデルの定義と、ビルトインされた演算子および標準データ型の定義を提供する。当初は推論（評価）に必要な機能に重点が置かれる
• 各計算データフローグラフは、非巡回グラフを形成するノードのリストとして構造化される。ノードは1つ以上の入力と1つ以上の出力を持つ。各ノードは演算子の呼び出しである。またグラフは、目的や作成者などの文書化に役立つメタデータも持つ
• 演算子はグラフに対して外部的に実装されるが、ビルトイン演算子セットはフレームワーク間でポータブルである。ONNXをサポートするフレームワークは全て、適切なデータ型を扱うこれらの演算子の実装を提供する

GtHubで公開されたONNX

　ONNXは、コードとドキュメントの初期バージョンがGitHubで公開された。

　今後はこれを出発点として、コミュニティーの参加を得て開発を進めていく計画。Microsoftは、Cognitive Toolkitの次リリースでONNXをサポートする他、Facebookと共同で参照実装、サンプル、ツール、モデルを開発し、提供していくという。