关于模型结构与参数的文件类型及运行设备
.ckpt
广泛用于 PyTorch、TensorFlow（早期版本）及MindSpore的模型 checkpoint 文件。主要保存模型的权重参数、优化器状态、训练配置等，支持训练中断后恢复、模型微调或后续导出为部署格式（如 MindSpore 可将.ckpt 转为 ONNX、AIR 等）。
.ONNX
（Open Neural Network Exchange）开放神经网络交换格式，由多机构联合推出，用于跨框架模型互转（如 PyTorch、TensorFlow、MindSpore、MXNet 等），是模型部署的中间标准格式，便于在不同推理引擎（如 ONNX Runtime）中部署。
.GEIR
非通用标准格式，推测与特定国产 AI 框架或工具链（如昇腾相关）的模型中间表示有关，用于模型转换或优化过程中的临时存储。
.om
华为昇腾（Ascend）芯片的专用部署格式，由昇腾模型转换工具（ATC）将 ONNX、Caffe、MindSpore 的 AIR 等格式转换而来，针对昇腾 NPU 硬件优化，用于高效推理。
这是华为Ascend AI处理器支持的离线模型格式。
.prototxt + .caffemodel
Caffe 框架的配套文件：
.prototxt：定义网络结构（层配置、输入输出等，分训练和部署版本）；这是Caffe模型文件的格式。
.caffemodel：保存训练好的权重参数，需与对应的.prototxt 配合加载模型。这是Caffe模型文件的格式。
.pb
（Protocol Buffer）Google 的序列化格式，在 TensorFlow 中常用于保存冻结模型（包含结构和权重），直接用于部署；此外，MindSpore 也支持将模型导出为.pb 格式（兼容 TensorFlow Lite），便于跨平台推理。
这是TensorFlow模型文件的格式。
MindSpore 特有的其他格式
.air：MindSpore 的专有中间格式，包含网络结构和权重，可作为向昇腾 OM、TensorRT 引擎等格式转换的中间载体；
.mindir：MindSpore 定义的统一模型表示格式，支持动态图和静态图模型的存储，用于模型的跨平台部署和迁移。
直接使用checkpiont文件进行推理，即在MindSpore训练环境下，使用推理接口加载数据及checkpoint文件进行推理。
将checkpiont文件转化为通用的模型格式［如ONNX、GEIR格式］文件进行推理，推理环境不需要依赖MindSpore。这样做的好处是可以跨硬件平台，只要在支持ONNX/GEIR推理的硬件平台上即可进行推理。譬如在Ascend 910 AI处理器上训练的模型可以在GPU/CPU上进行推理。
ONNX 作为中间格式，既可以作为网络结构的中间转换载体，也可以作为权重参数的中间转换载体，但需要明确的是：它的设计是将 “结构” 和 “参数”绑定在一起作为 “完整模型” 进行转换，而非单独拆分存储结构或参数。具体来说：
作为网络结构的中间转换者ONNX 能够精确描述不同框架（如 PyTorch、TensorFlow、MindSpore 等）定义的网络结构（计算图、算子连接、张量维度等）。例如，PyTorch 的
torch.onnx.export会将模型的动态计算图转换为 ONNX 静态计算图结构，TensorFlow 也可通过工具将SavedModel转换为 ONNX 结构。其他框架（如 MXNet、PaddlePaddle）也支持导出为 ONNX 结构。这意味着 ONNX 可以作为 “结构转换的桥梁”，让不同框架的网络结构能够被统一解析和转换（例如，将 PyTorch 的 ResNet 结构通过 ONNX 转换为 TensorRT 可识别的结构）。作为权重参数的中间转换者ONNX 会将模型的权重参数（如卷积核、偏置、BN 层的均值 / 方差等）以 “初始器（Initializer）” 的形式嵌入到文件中，与结构绑定。这些参数会随着结构一起被转换：例如，PyTorch 模型导出为 ONNX 时，权重会从 PyTorch 的张量格式转换为 ONNX 定义的张量格式；当 ONNX 模型被转换为 TensorRT 引擎或昇腾 OM 格式时，权重也会被同步转换为目标平台支持的参数格式（如针对硬件优化的精度、存储方式）。因此，ONNX 也承担了 “参数转换的中间载体” 角色，确保权重在跨框架 / 跨硬件时能够被正确解析和复用。
关键结论
ONNX 不支持 “单独存储结构或单独存储参数”，但它同时包含结构和参数，并能作为两者的统一中间转换者—— 通过 ONNX，不同框架的结构可以被统一表示，参数可以被统一携带，最终实现 “结构 + 参数” 的整体跨平台转换。这种 “绑定式转换” 正是 ONNX 作为中间格式的核心价值：保证结构与参数的一致性，避免转换过程中出现不匹配问题。