近年来,随着人工智能快速发展,深度学习技术已经在许多领域发挥出巨大的作用。目前TensorFlow框架作为最主流神经网络框架之一,根据实际应用或再训练场景的改变,部署神经网络模型需要重新构建和训练模型,并且部署过程十分耗时。为了解决这一问题,微软联合多家公司推出了开放神经网络交换格式（Open Neural Network Exchange,ONNX）,采用统一的标准保存深度学习模型。将TensorFlow模型转换为ONNX模型,用来解决TensorFlow模型部署到其它深度学习框架所面临的挑战。将TensorFlow模型转换为ONNX模型,降低了神经网络模型部署所需要的时间成本及资源消耗,具有实际应用意义。本文设计并实现了将TensorFlow模型文件转换为ONNX模型文件的转换工具,支持TensorFlow框架下的Saved＿model和Frozen＿graph两种格式的神经网络模型向ONNX的转换。转换工具的实现包括TensorFlow模型加载、模型转换、ONNX模型保存三个部分:首先是加载TensorFlow模型文件,对文件进行反序列化操作得到TensorFlow模型对象,通过预处理操作获取TensorFlow模型对象内部的模型、计算图、计算节点信息;然后是完成TensorFlow模型到ONNX模型的转换,从TensorFlow模型的节点中提取节点内部包含的信息,将TensorFlow节点信息转换为ONNX支持的节点信息格式,通过映射操作将节点转换为ONNX操作集中已经支持的操作,生成TensorFlow节点对应的ONNX节点,利用转换得到的ONNX节点生成ONNX计算图,并且采用了计算图优化策略,对转换后的ONNX计算图进行优化来简化计算图结构,通过ONNX计算图生成ONNX模型;最后是ONNX模型的保存,将TensorFlow模型转换得到的ONNX模型对象执行序列化操作,最后将序列化后的ONNX模型保存,得到目标ONNX模型文件。最后通过测试用例对模型转换进行了测试,测试用例使用Le Net5、Alex Net、LSTM和GRU等经典神经网络模型的TensorFlow模型文件。对转换前的TensorFlow模型与转换后的ONNX模型进行了对比分析,并测试了模型的推理精度。实验结果表明,本文模型转换工具可以实现TensorFlow模型到ONNX模型的转换,转换前的TensorFlow模型和转换后的ONNX模型推理精度保持一致,模型转换工具可以完成TensorFlow模型文件到ONNX模型文件的转换。