<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>タグ:onnx &#8211; AIディベロッパーblog</title>
	<atom:link href="https://aidev.bluegarage.site/blog/tag/onnx/feed/" rel="self" type="application/rss+xml" />
	<link>https://aidev.bluegarage.site/blog</link>
	<description>AI技術を使った様々な開発のTIPSや技術のブログです</description>
	<lastBuildDate>Fri, 10 Jul 2026 01:46:24 +0000</lastBuildDate>
	<language>ja</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>PyTorchでDirectMLを使う「torch-directml」とは？</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/10/pytorch%e3%81%a7directml%e3%82%92%e4%bd%bf%e3%81%86%e3%80%8ctorch-directml%e3%80%8d%e3%81%a8%e3%81%af%ef%bc%9f/</link>
				<pubDate>Fri, 10 Jul 2026 01:46:24 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[CUDA]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9735</guid>
				<description><![CDATA[WindowsでAIを動かそうとすると、よく見かけるのが CUDA と DirectML です。 NVIDIA製GPUであればCUDAが一般的ですが、AMDやIntelのGPU、あるいはCUDAを使えない環境では DirectML が選択肢になります。 そのDirectMLをPyTorchから利用するためのライブラリが torch-directml です。 この記事では、torch-directmlとは何か、必要になる場面、制限事項、インストール方法、使い方についてまとめます。 torch-directmlとは？ torch-directmlは、PyTorchからMicrosoft DirectMLを利用するためのライブラリです。 DirectMLはWindowsのDirectX 12上で動作する機械学習アクセラレーションAPIで、 AMD GPU Intel GPU NVIDIA GPU など、DirectX 12対応GPUであれば利用できます。 つまり、CUDAが使えない環境でもGPUでPyTorchを実行できるようになります。 いつ必要になるの？ 必要になるのは 「PyTorchでDirectMLを利用 [&#8230;]]]></description>
									</item>
		<item>
		<title>PyTorchでONNXを「model.onnx」と「model_weights.bin」に分けて出力する方法【古いバージョンにも対応】</title>
		<link>https://aidev.bluegarage.site/blog/2026/07/08/pytorch%e3%81%a7onnx%e3%82%92%e3%80%8cmodel-onnx%e3%80%8d%e3%81%a8%e3%80%8cmodel_weights-bin%e3%80%8d%e3%81%ab%e5%88%86%e3%81%91%e3%81%a6%e5%87%ba%e5%8a%9b%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95%e3%80%90/</link>
				<pubDate>Wed, 08 Jul 2026 01:46:19 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9732</guid>
				<description><![CDATA[PyTorchでONNXモデルを書き出す際、大きなモデルではONNX External Data形式を利用して、モデル本体と重みファイルを別々に保存したいことがあります。 この記事では、 model.onnx model_weights.bin の2ファイルに分けて出力する方法と、古いPyTorchを使用している場合の対処法を紹介します。 通常のONNX出力 一般的なONNX出力は次のようになります。 torch.onnx.export( wrapper, (sample, timestep, encoder_hidden_states), os.path.join(outdir, "unet", "model.onnx"), input_names=["sample", "timestep", "encoder_hidden_states"], output_names=["out_sample"], dynamic_axes={ "sample": {0: "batch", 1: "channels", 2: "height", 3: "width"}, "timestep": {0: "batch"}, [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX Runtimeの「ORT_SEQUENTIAL」と「ORT_PARALLEL」の違いを解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/05/12/onnx-runtime%e3%81%ae%e3%80%8cort_sequential%e3%80%8d%e3%81%a8%e3%80%8cort_parallel%e3%80%8d%e3%81%ae%e9%81%95%e3%81%84%e3%82%92%e8%a7%a3%e8%aa%ac-2/</link>
				<pubDate>Tue, 12 May 2026 01:40:42 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9657</guid>
				<description><![CDATA[ONNX Runtime（ORT）を使っていると、ORT_SEQUENTIAL や ORT_PARALLEL という設定を見かけることがあります。 これらは Execution Mode（実行モード） を指定する重要な設定で、推論速度やCPU使用率に影響します。 この記事では、 ORT_SEQUENTIAL ORT_PARALLEL の違いを、PythonとC#のコード例付きでわかりやすく解説します。 ORT_SEQUENTIALとは ORT_SEQUENTIAL は 逐次実行モード です。 モデル内の処理（ノード）を、順番に1つずつ実行します。 特徴 順番に処理を実行 シングルスレッドに近い動作 オーバーヘッドが少ない 動作が安定しやすい 向いているケース 小規模モデル デバッグ用途 CPUコア数が少ない環境 安定動作を重視したい場合 ORT_PARALLELとは ORT_PARALLEL は 並列実行モード です。 依存関係のないノードを同時に実行し、CPUのマルチスレッドを活用します。 特徴 複数ノードを同時実行 CPUマルチコアを活用 推論速度向上が期待できる 大規模モデルで効果が高い 向いているケー [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX変換時のエラー「MultiHeadAttention の次元不一致」を徹底解説｜dynamic_axesとは何か？</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/23/onnx%e5%a4%89%e6%8f%9b%e6%99%82%e3%81%ae%e3%82%a8%e3%83%a9%e3%83%bc%e3%80%8cmultiheadattention-%e3%81%ae%e6%ac%a1%e5%85%83%e4%b8%8d%e4%b8%80%e8%87%b4%e3%80%8d%e3%82%92%e5%be%b9%e5%ba%95%e8%a7%a3/</link>
				<pubDate>Thu, 23 Apr 2026 00:38:12 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9638</guid>
				<description><![CDATA[ONNXモデルを読み込む際に、以下のようなエラーに遭遇したことはありませんか？ Node (MultiHeadAttention_28) Op (MultiHeadAttention) [ShapeInferenceError] Inputs 0 (query) shall be 3 or 5 dimensions この記事では、このエラーの意味と原因、さらに解決に重要な「dynamic_axes」の考え方と書き方について、実践的に解説します。 エラーの意味を分解する まずはエラーメッセージを分解して理解しましょう。 該当箇所 Inputs 0 (query) shall be 3 or 5 dimensions 意味 Inputs 0 (query) → MultiHeadAttentionの最初の入力（query） shall be 3 or 5 dimensions → 3次元または5次元でなければならない つまり、 「queryとして渡されたテンソルの次元数が想定と違う」 というエラーです。 MultiHeadAttentionが要求する入力形状 MultiHeadAttentionでは、通常以下のよ [&#8230;]]]></description>
									</item>
		<item>
		<title>VAEとは？Stable Diffusionでの役割とONNXへの変換方法（encoder / decoder分離）</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/17/vae%e3%81%a8%e3%81%af%ef%bc%9fstable-diffusion%e3%81%a7%e3%81%ae%e5%bd%b9%e5%89%b2%e3%81%a8onnx%e3%81%b8%e3%81%ae%e5%a4%89%e6%8f%9b%e6%96%b9%e6%b3%95%ef%bc%88encoder-decoder%e5%88%86%e9%9b%a2/</link>
				<pubDate>Fri, 17 Apr 2026 01:21:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9627</guid>
				<description><![CDATA[VAE（Variational Autoencoder）とは VAE（Variational Autoencoder）は、画像を「圧縮」と「復元」するためのニューラルネットワークです。 Stable Diffusion では、画像生成の効率を高めるために重要な役割を担っています。 VAEは主に次の2つの構成要素から成り立っています： Encoder（エンコーダー） 画像（RGB）を潜在表現（latent）に圧縮する Decoder（デコーダー） 潜在表現（latent）を画像に復元する Stable DiffusionにおけるVAEの役割 Stable Diffusionでは、直接画像を生成するのではなく、次のような流れになっています： ノイズから潜在空間（latent）を生成 そのlatentをVAEのdecoderで画像に変換 また、画像を入力として使う場合（img2imgなど）は： 画像をVAEのencoderでlatentに変換 latentを加工・生成 decoderで画像に戻す つまり： 処理 使用する部分 画像 → latent Encoder latent → 画像 Decoder safet [&#8230;]]]></description>
									</item>
		<item>
		<title>Phi-3 Mini + OnnxRuntimeGenAI で作る C# 翻訳エージェント</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/14/phi-3-mini-onnxruntimegenai-%e3%81%a7%e4%bd%9c%e3%82%8b-c-%e7%bf%bb%e8%a8%b3%e3%82%a8%e3%83%bc%e3%82%b8%e3%82%a7%e3%83%b3%e3%83%88/</link>
				<pubDate>Tue, 14 Apr 2026 00:50:59 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[gpu]]></category>
		<category><![CDATA[Hugging Face]]></category>
		<category><![CDATA[LLM]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Windows]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9620</guid>
				<description><![CDATA[1. Phi-3 Mini とは？ — 小型SLMの実力 Phi-3 Mini は Microsoft が 2024 年に公開した Small Language Model (SLM) です。パラメータ数は 3.8 億（3.8B） と GPT-4 系の 1/100 以下でありながら、多くのベンチマークで同規模または大規模モデルに匹敵する精度を達成しています。 なぜ翻訳エージェントに向いているのか？ 日英翻訳の精度が高い — 高品質な英語テキストで重点的に学習しているため、英語⇔日本語の変換品質が安定している 指示追従性（Instruction Following）が優秀 — 「日本語に翻訳してください」といったシンプルな指示を忠実に実行できる 低スペックPC でも動作 — INT4 量子化 ONNX モデルなら CPU のみで推論可能（Core i7 程度で快適） 完全ローカル動作 — データが外部に送信されないためプライバシー・セキュリティ面でも安心 💡 SLM vs LLM：Large Language Model（LLM）が数十〜数百B のパラメータを持つのに対し、Small Language Mode [&#8230;]]]></description>
									</item>
		<item>
		<title>PyInstallerでStable DiffusionやQwenなどAIアプリをスタンドアロン化する方法と注意</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/08/pyinstaller%e3%81%a7stable-diffusion%e3%82%84qwen%e3%81%aa%e3%81%a9ai%e3%82%a2%e3%83%97%e3%83%aa%e3%82%92%e3%82%b9%e3%82%bf%e3%83%b3%e3%83%89%e3%82%a2%e3%83%ad%e3%83%b3%e5%8c%96%e3%81%99%e3%82%8b/</link>
				<pubDate>Wed, 08 Apr 2026 03:01:29 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[pipeline]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[Qwen]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[vae]]></category>
		<category><![CDATA[wan]]></category>
		<category><![CDATA[エラー]]></category>
		<category><![CDATA[最適化]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9614</guid>
				<description><![CDATA[Python製のAIアプリ（Stable Diffusion、Qwen、Wanなど）を「Python未導入のPCでもそのまま動くスタンドアロン実行ファイル」にしたい場合、よく使われるのが PyInstaller です。 pip install pyinstaller pyinstaller &#8211;onefile main.py しかし、AI系ライブラリを含むアプリでは単純にビルドしただけでは失敗することが多く、以下のような追加オプションが必要になるケースがあります。 pyinstaller ^ &#8211;onefile ^ &#8211;hidden-import transformers ^ &#8211;hidden-import diffusers ^ &#8211;collect-all transformers ^ &#8211;collect-all diffusers ^ &#8211;collect-all requests ^ main.py 本記事では、このオプションがなぜ必要なのかを解説します。 なぜPyInstallerだけではうまくいかないのか？ PyInstallerは [&#8230;]]]></description>
									</item>
		<item>
		<title>ONNX Runtimeの「ORT_SEQUENTIAL」と「ORT_PARALLEL」の違いを解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/04/07/onnx-runtime%e3%81%ae%e3%80%8cort_sequential%e3%80%8d%e3%81%a8%e3%80%8cort_parallel%e3%80%8d%e3%81%ae%e9%81%95%e3%81%84%e3%82%92%e8%a7%a3%e8%aa%ac/</link>
				<pubDate>Tue, 07 Apr 2026 01:20:36 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[inference]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9610</guid>
				<description><![CDATA[ONNX Runtime（ORT）を使っていると、ORT_SEQUENTIAL や ORT_PARALLEL という設定を見かけることがあります。これらは Execution Mode（実行モード） に関する重要な設定です。 この記事では、それぞれの違いと使い分けについてわかりやすく解説します。 ORT_SEQUENTIALとは ORT_SEQUENTIAL は 逐次実行モード です。 特徴 モデル内の処理（ノード）を 順番に1つずつ実行 シングルスレッドに近い動作 オーバーヘッドが少ない 向いているケース 小規模なモデル デバッグ用途 安定した動作を優先したい場合 ORT_PARALLELとは ORT_PARALLEL は 並列実行モード です。 特徴 依存関係のないノードを 同時に並列実行 CPUのマルチスレッドを活用 推論速度の向上が期待できる 向いているケース 大規模モデル CPUコア数が多い環境 パフォーマンス重視の推論処理 違いのまとめ 項目 ORT_SEQUENTIAL ORT_PARALLEL 実行方法 逐次（順番） 並列 スレッド 基本1つ 複数 パフォーマンス 安定・軽量 高速化の可能性あ [&#8230;]]]></description>
									</item>
		<item>
		<title>safetensorsの「配線」はどこにある？Netronで線が見えない理由をわかりやすく解説</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/25/safetensors%e3%81%ae%e3%80%8c%e9%85%8d%e7%b7%9a%e3%80%8d%e3%81%af%e3%81%a9%e3%81%93%e3%81%ab%e3%81%82%e3%82%8b%ef%bc%9fnetron%e3%81%a7%e7%b7%9a%e3%81%8c%e8%a6%8b%e3%81%88%e3%81%aa%e3%81%84%e7%90%86/</link>
				<pubDate>Wed, 25 Mar 2026 01:32:31 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[アプリケーション開発]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[PyTorch]]></category>
		<category><![CDATA[safetensors]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9583</guid>
				<description><![CDATA[機械学習モデル（特にTransformer系）を触っていると、.safetensors ファイルをNetronで開いたときに、 「ノードが並んでいるだけで、配線（接続）が見えない」 という疑問にぶつかることがあります。 この記事ではこの現象の理由と、実際にブロックの接続（配線）がどこに記録されているのかを整理して解説します。 なぜNetronで配線が見えないのか？ 結論から言うと： safetensorsには「配線情報」が入っていないためです。 safetensorsの正体 safetensors は非常にシンプルな構造をしています。 パラメータ名 → 数値テンソル 例えば： transformer_blocks.3.attn.add_k_proj.weight のように、「名前」と「行列データ」が紐づいているだけです。 safetensorsに含まれていないもの 以下のような情報は 一切保存されていません： forward関数（計算手順） ノード間の接続関係 データの流れ（計算グラフ） レイヤー間の依存関係 つまり： そもそも配線図そのものが存在しない のです。 Netronで何が表示されているのか？ Ne [&#8230;]]]></description>
									</item>
		<item>
		<title>Stable Diffusion U-Net の ONNX に別の ONNX モデルを結合する方法</title>
		<link>https://aidev.bluegarage.site/blog/2026/03/17/stable-diffusion-u-net-%e3%81%ae-onnx-%e3%81%ab%e5%88%a5%e3%81%ae-onnx-%e3%83%a2%e3%83%87%e3%83%ab%e3%82%92%e7%b5%90%e5%90%88%e3%81%99%e3%82%8b%e6%96%b9%e6%b3%95/</link>
				<pubDate>Tue, 17 Mar 2026 01:49:57 +0000</pubDate>
		<dc:creator><![CDATA[aidevadmin]]></dc:creator>
				<category><![CDATA[その他]]></category>
		<category><![CDATA[ControlNet]]></category>
		<category><![CDATA[LoRA]]></category>
		<category><![CDATA[Netron]]></category>
		<category><![CDATA[onnx]]></category>
		<category><![CDATA[Python]]></category>
		<category><![CDATA[Stable Diffusion]]></category>
		<category><![CDATA[tensor]]></category>
		<category><![CDATA[transformer]]></category>
		<category><![CDATA[U-Net]]></category>
		<category><![CDATA[エラー]]></category>

		<guid isPermaLink="false">https://aidev.bluegarage.site/blog/?p=9549</guid>
				<description><![CDATA[Stable Diffusion ONNX U-Net に別モデルを統合する方法 Stable Diffusion の ONNX 版 U-Net を改造して、別の ONNX モデルを内部に結合することで、 IP-Adapter カスタム Attention Control 信号 などを直接モデル内部に組み込むことができます。 この記事では 既存の model.onnx に別の model.onnx を統合する方法を紹介します。 例として、以下の位置に外部モデルを接続します。 /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_q/MatMul そして生成された特徴量を /up_blocks.1/attentions.0/transformer_blocks.0/attn2/to_out.0/MatMul へ入力します。 全体構造 結合後の概念図 to_q/MatMul │ MultiHeadAttention │ 外部モデル │ ▼ to_out.0/MatMul また既存の Reshape_3_output_0 は使用しないため切断します。 必要な [&#8230;]]]></description>
									</item>
	</channel>
</rss>
