有关将 Apache MXNet 转换为 ONNX，然后加载到 CNTK 的教程

https://docs.aws.amazon.com/zh_cn/dlami/latest/devguide/tutorial-onnx-mxnet-cntk.html

import numpy as np
import mxnet as mx
from mxnet.contrib import onnx as onnx_mxnet
converted_onnx_filename='vgg16.onnx'

# Export MXNet model to ONNX format via MXNet's export_model API
converted_onnx_filename=onnx_mxnet.export_model('vgg16-symbol.json', 'vgg16-0000.params', [(1,3,224,224)], np.float32, converted_onnx_filename)

# Check that the newly created model is valid and meets ONNX specification.
import onnx
model_proto = onnx.load(converted_onnx_filename)
onnx.checker.check_model(model_proto)

ONNX 概述
开放神经网络交换 (ONNX) 是一种用于表示深度学习模型的开放格式。ONNX 受到 Amazon Web Services、Microsoft、Facebook 和其他多个合作伙伴的支持。您可以使用任何选定的框架来设计、训练和部署深度学习模型。ONNX 模型的好处是，它们可以在框架之间轻松移动。

本教程介绍如何将 采用 Conda 的 Deep Learning AMI 与 ONNX 结合使用。通过执行以下步骤，您可以训练模型或从一个框架中加载预先训练的模型，将此模型导出为 ONNX，然后将此模型导入到另一个框架中。

ONNX 先决条件
要使用此 ONNX 教程，您必须有权访问 采用 Conda 的 Deep Learning AMI 版本 12 或更高版本。有关如何开始使用 采用 Conda 的 Deep Learning AMI 的更多信息，请参阅 采用 Conda 的 Deep Learning AMI。

重要
这些示例使用可能需要多达 8 GB 内存（或更多）的函数。请务必选择具有足量内存的实例类型。

使用 采用 Conda 的 Deep Learning AMI 启动终端会话以开始以下教程。

将 Apache MXNet（孵化）模型转换为 ONNX，然后将模型加载到 CNTK 中
如何从 Apache MXNet（孵化）中导出模型

您可以将最新的 MXNet 工作版本安装到您的 采用 Conda 的 Deep Learning AMI 上的任一或两个 MXNet Conda 环境。

（适用于 Python 3 的选项）- 激活 Python 3 MXNet 环境：

$ source activate mxnet_p36
（适用于 Python 2 的选项）- 激活 Python 2 MXNet 环境：

$ source activate mxnet_p27
其余步骤假定您使用的是 mxnet_p36 环境。

下载模型文件。

curl -O https://s3.amazonaws.com/onnx-mxnet/model-zoo/vgg16/vgg16-symbol.json
curl -O https://s3.amazonaws.com/onnx-mxnet/model-zoo/vgg16/vgg16-0000.params
要将模型文件从 MXNet 导出为 ONNX 格式，使用文本编辑器创建一个新文件，并在脚本中使用以下程序。

import numpy as np
import mxnet as mx
from mxnet.contrib import onnx as onnx_mxnet
converted_onnx_filename='vgg16.onnx'

# Export MXNet model to ONNX format via MXNet's export_model API
converted_onnx_filename=onnx_mxnet.export_model('vgg16-symbol.json', 'vgg16-0000.params', [(1,3,224,224)], np.float32, converted_onnx_filename)

# Check that the newly created model is valid and meets ONNX specification.
import onnx
model_proto = onnx.load(converted_onnx_filename)
onnx.checker.check_model(model_proto)
您可能会看到一些警告消息，不过您目前可以安全地忽略它们。在您运行此脚本后，您将在同一目录中看到新创建的 .onnx 文件。

现在您有一个 ONNX 文件，可以将其与以下示例结合使用来尝试运行推理：

在推理中将 CNTK 与 ONNX 模型配合使用