データ構造体

ONNXモデルでの操作には次のデータ構造が使用されます。

OnnxTypeInfo #

この構造体は、ONNXモデルの入力または出力パラメータの型を記述します

struct OnnxTypeInfo
{
ENUM_ONNX_TYPE type; // パラメータ型
OnnxTensorTypeInfo tensor; // テンソルの説明
OnnxMapTypeInfo map; // マップの説明
OnnxSequenceTypeInfo sequence; // シーケンスの説明
};

テンソル(ONNX_TYPE_TENSOR)のみを入力として使用できます。この場合、OnnxTypeInfo::tensorフィールドのみに値が入力され、他のフィールドmapとsequence）は定義されていません。

3 つのOnnxTypeInfo型（ONNX_TYPE_TENSOR、ONNX_TYPE_MAP、ONNX_TYPE_SEQUENCE）のうち1つだけを入力として使用できます。対応する部分構造（OnnxTypeInfo::tensor、OnnxTypeInfo::map、OnnxTypeInfo::sequence）は、型に応じて埋められます。

OnnxTensorTypeInfo

構造体は、ONNXモデルの入力または出力パラメータのテンソルを記述します

struct OnnxTensorTypeInfo
{
const ENUM_ONNX_DATA_TYPE data_type; // テンソルのデータ型
const long dimensions[]; // テンソルの要素数
};

OnnxMapTypeInfo #

この構造体は、ONNXモデルの出力パラメータで取得されるマップを記述します。

struct OnnxMapTypeInfo
{
const ENUM_ONNX_DATA_TYPE key_type; // キーの型
const OnnxTypeInfo& value_type; // 値の型
};

OnnxSequenceTypeInfo #

この構造体は、ONNXモデルの出力パラメータで取得されるシークエンスを記述します。

struct OnnxSequenceTypeInfo
{
const OnnxTypeInfo& value_type; // シークエンスのデータ型
};

ENUM_ONNX_TYPE #

ENUM_ONNX_TYPE列挙はモデルパラメータの型を記述します

ID	説明
ONNX_TYPE_UNKNOWN	不明
ONNX_TYPE_TENSOR	テンソル
ONNX_TYPE_SEQUENCE	シークエンス
ONNX_TYPE_MAP	マップ
ONNX_TYPE_OPAQUE	抽象（不透明）
ONNX_TYPE_SPARSETENSOR	スパーステンソル

ENUM_ONNX_DATA_TYPE #

ENUM_ONNX_DATA_TYPE列挙は使用されるデータの型を記述します

ID	説明
ONNX_DATA_TYPE_UNDEFINED	未定義
ONNX_DATA_TYPE_FLOAT	float
ONNX_DATA_TYPE_INT8	8ビットint
ONNX_DATA_TYPE_UINT16	16ビットuint
ONNX_DATA_TYPE_INT16	16ビットint
ONNX_DATA_TYPE_INT32	32ビットint
ONNX_DATA_TYPE_INT64	64ビットint
ONNX_DATA_TYPE_STRING	string
ONNX_DATA_TYPE_BOOL	bool
ONNX_DATA_TYPE_FLOAT16	16ビットfloat
ONNX_DATA_TYPE_DOUBLE	double
ONNX_DATA_TYPE_UINT32	32ビットuint
ONNX_DATA_TYPE_UINT64	64ビットuint
ONNX_DATA_TYPE_COMPLEX64	64ビット複素数
ONNX_DATA_TYPE_COMPLEX128	128ビット複素数
ONNX_DATA_TYPE_BFLOAT16	16ビットbfloat(Brain Floating Point)

ENUM_ONNX_FLAGS #

ENUM_ONNX_FLAGS列挙はモデルの実行モードを記述します

ID	説明
ONNX_DEBUG_LOGS	出力デバッグログ
ONNX_NO_CONVERSION	自動変換を無効にし、ユーザーデータをそのまま使用します
ONNX_COMMON_FOLDER	Common\Filesフォルダからモデルファイルを読み込みます。値はFILE_COMMONフラグと同じです。

ONNXモデルを使用する場合の配列変換

機械学習タスクでは、必ずしも高い計算精度が必要なわけではありません。計算を高速化するために、一部のモデルではFloat16やFloat8などの低精度のデータ型を使用します。ユーザーが関連データをモデルに入力できるようにするために、MQL5は、標準のMQL5型を特別なFP16型およびFP8型に変換する4つの特別な関数を提供します。

関数	アクション
ArrayToFP16	float型またはdouble型の配列を、指定された形式のushort型の配列にコピーします
ArrayToFP8	float型またはdouble型の配列を、指定された形式のuchar型の配列にコピーします
ArrayFromFP16	ushort型の配列を、指定された形式のfloat型またはdouble型の配列にコピーします
ArrayFromFP8	uchar型の配列を、指定された形式のfloat型またはdouble型の配列にコピーします

これらの配列変換関数は、以下の列挙で指定された特別な形式を使用します。

ENUM_FLOAT16_FORMAT #

ENUM_FLOAT16_FORMAT列挙では2つのFP16型形式が説明されています。

ID	説明
FLOAT_FP16	標準16ビット形式（ハーフとも呼ばれる）
FLOAT_BFP16	特別なbf16浮動小数点形式

これらの形式にはそれぞれ利点と制限があります。FLOAT16は精度が高くなりますが、より多くのストレージと計算リソースを必要とします。一方、BFLOAT16はデータ処理のパフォーマンスと効率が高くなりますが、精度が劣る可能性があります。

ENUM_FLOAT8_FORMAT #

ENUM_FLOAT8_FORMAT列挙では4つのFP8型形式が説明されています。

FP8（8ビット浮動小数点）は、浮動小数点数を表すために使用されるデータ型の1つです。FP8では、各数値は8データビットで表され、通常は符号、指数、仮数の3つの要素に分割されます。この形式は精度とストレージ効率のバランスが取れているため、メモリと計算効率を必要とするアプリケーションにとって魅力的です。

ID	説明
FLOAT_FP8_E4M3FN	8ビット浮動小数点数、指数部に4ビット、仮数部に3ビット。通常は係数として使用されます。
FLOAT_FP8_E4M3FNUZ	8ビット浮動小数点数、指数部に4ビット、仮数部に3ビット。NaNをサポートしますが、負のゼロとInfはサポートしません。通常は係数として使用されます。
FLOAT_FP8_E5M2FN	8ビット浮動小数点数、指数部に5ビット、仮数部に2ビット。NaNとInfをサポートします。通常は勾配に使用されます。
FLOAT_FP8_E5M2FNUZ	8ビット浮動小数点数、指数部に5ビット、仮数部に2ビット。NaNをサポートしますが、負のゼロとInfはサポートしません。勾配に使用されます。

FP8の主な利点の1つは、大規模なデータセットの処理効率です。FP8はコンパクトな数値表現を採用することにより、メモリ要件を削減し、計算を高速化します。これは、大規模なデータセットを処理することが多い機械学習および人工知能アプリケーションでは特に重要です。

OnnxSetOutputShape

標準ライブラリ