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 Scatter
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 helper
from onnx import TensorProto
# 创建一个空的ONNX图
graph = helper.make_graph(nodes=[], name='Scatter_Graph', inputs=[], outputs=[])
# 创建Scatter节点的输入参数
data = helper.make_tensor_value_info('data', TensorProto.FLOAT, [5]) # 输入数据张量的形状为[5]
indices = helper.make_tensor_value_info('indices', TensorProto.INT64, [3]) # 索引张量的形状为[3]
updates = helper.make_tensor_value_info('updates', TensorProto.FLOAT, [3]) # 更新数据张量的形状为[3]
axis = 0 # 指定要进行散列操作的轴
graph.input.extend([data, indices, updates])
# 创建Scatter节点
scatter_node = helper.make_node('Scatter', ['data', 'indices', 'updates'], ['output'], name='Scatter_Node', axis=axis)
# 添加Scatter节点到图中
graph.node.extend([scatter_node])
# 创建Scatter节点的输出参数
output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [5]) # 散列后的输出张量形状为[5]
graph.output.extend([output])
# 创建ONNX模型
model = helper.make_model(graph, producer_name='ONNX_Scatter_Example')
# 保存ONNX模型到文件
onnx.save(model, 'scatter_model.onnx')