onnx 1.16 doc学习笔记五：python API-函数、解析与形状推理

onnx作为一个通用格式，很少有中文教程，因此开一篇文章对onnx 1.16文档进行翻译与进一步解释，
onnx 1.16官方文档：https://onnx.ai/onnx/intro/index.html](https://onnx.ai/onnx/intro/index.html)，
如果觉得有收获，麻烦点赞收藏关注，目前仅在CSDN发布，本博客会分为多个章节，目前尚在连载中，详见专栏链接：
https://blog.csdn.net/qq_33345365/category_12581965.html

开始编辑时间：2024/2/21；最后编辑时间：2024/2/21

这是本教程的第四篇，其余内容见上述专栏链接。

---

ONNX with Python

本教程的第一篇：介绍了ONNX的基本概念。

在本教程的第二篇，介绍了ONNX关于Python的API，具体涉及一个简单的线性回归例子和序列化。

本教程的第三篇，包括python API的三个部分：初始化器Initializer；属性Attributes；算子集和元数据Opset和Metadata

本教程的第四篇，包括子图的两个内容，使用If和Scan算子实现子图的选择和循环。

在本篇中，会介绍以下内容：

1. 函数
   1. 不带属性的函数
   2. 带有属性的函数
2. 模型解析：onnx提供了一种简单定义图的方式，可以实现快速构图，并不常用。
3. 检查器与形状推理 checker and shape inference
   1. 检查器：检查模型是否有效
   2. 形状推理：估计中间结果的形状和种类

---

函数

正如前一章所述，函数可以用来缩短构建模型的代码，并为运行时预测提供更多可能性，如果存在特定函数实现，可以使其运行更快。如果没有特定实现，运行时仍然可以基于现有算子使用默认实现。

make_function 函数用于定义一个函数。它就像一个简化类型的图，更像是一个模板。这个 API 可能会有所演变，它也不包含初始化器。

没有属性的函数

这是更简单的情况，函数的每个输入都是在执行时已知的动态对象。

import numpy
from onnx import numpy_helper, TensorProto
from onnx.helper import (
    make_model, make_node, set_model_props, make_tensor,
    make_graph, make_tensor_value_info, make_opsetid,
    make_function)
from onnx.checker import check_model

new_domain = 'custom'
opset_imports = [make_opsetid("", 14), make_opsetid(new_domain, 1)]

# 定义一个线程回归的函数
node1 = make_node('MatMul', ['X', 'A'], ['XA'])
node2 = make_node('Add', ['XA', 'B'], ['Y'])

linear_regression = make_function(
    new_domain,  # domain name
    'LinearRegression',  # function name
    ['X', 'A', 'B'],  # input names
    ['Y'],  # output names
    [node1, node2],  # nodes
    opset_imports,  # opsets
    [])  # attribute names

# 在没有变量前，函数是可以构建的
X = make_tensor_value_info('X', TensorProto.FLOAT, [None, None])
A = make_tensor_value_info('A', TensorProto