4.12 构建onnx结构模型-MatMul

前言

构建onnx方式通常有两种：
1、通过代码转换成onnx结构，比如pytorch —> onnx
2、通过onnx 自定义结点，图，生成onnx结构

本文主要是简单学习和使用两种不同onnx结构，
下面以 MatMul 结点进行分析

方式

方法一：pytorch --> onnx

暂缓，主要研究方式二

方法二： onnx

import onnx 
from onnx import TensorProto, helper, numpy_helper

def run():
    print("run start....\n")
    MatMul = helper.make_node(
            "MatMul",
            inputs=["A", "B"],
            outputs=["matmul_output"],
            name="matmul_node",
        )
    graph = helper.make_graph(
        nodes=[MatMul],
        name="test_graph",
        inputs=[
            helper.make_tensor_value_info("A", TensorProto.FLOAT,  [2048, 3, 64, 32]),
            helper.make_tensor_value_info("B", TensorProto.FLOAT,  [2048, 3, 32,64]),
        ],  # use your input
        outputs=[
            helper.make_tensor_value_info(
                "matmul_output", TensorProto.FLOAT,  [2048, 3, 64, 64]
            )
        ],  # use your output
    )

    op = onnx.OperatorSetIdProto()
    op.version = 11
    model = helper.make_model(graph, opset_imports=[op])
    model.ir_version = 8
    print("run done....\n")

    return model

if __name__ == "__main__":
    model = run()
    onnx.save(model, "./test_matmul.onnx")