模型导出至onnx，查看模型内容

import torch
import torchvision.models as models

# 导入 torch 库，这是 PyTorch 的核心库，用于深度学习。
# 导入 torchvision.models 模块，并将其命名为 models，这是 PyTorch 中用于加载预训练模型的模块。

# 加载预训练的 VGG-16 模型。
# VGG-16 是一种流行的卷积神经网络（CNN）架构，常用于图像分类任务。
# 参数 pretrained=True 表示加载一个在 ImageNet 数据集上预训练好的模型。
model = models.vgg16(pretrained=True)

# 创建一个随机的张量作为模型的输入。
# 这里的输入张量形状是 (1, 3, 224, 224)，代表 1 个图像，3 个通道（通常是 RGB），224x224 的图像尺寸。
# VGG-16 模型的标准输入尺寸为 224x224。
input = torch.randn(1, 3, 224, 224)

# 将 PyTorch 模型导出为 ONNX 格式。
# 第一个参数是要导出的模型（model）。
# 第二个参数是模型的一个样本输入（input），用于定义输入的尺寸和数据类型。
# 第三个参数是输出文件的名称（"vgg16.onnx"）。
# ONNX（Open Neural Network Exchange）是一种开放格式，用于在不同的深度学习框架之间转换模型。
torch.onnx.export(model, input, "vgg16.onnx")

# 这行代码的作用是将模型导出到一个名为 "vgg16.onnx" 的文件中，以便在其他支持 ONNX 的框架中使用。

Explanation of the Code
导入库：代码首先导入了PyTorch的核心库torch和用于处理计算机视觉任务的库torchvision。torchvision.models提供了一系列预训练模型，便于快速进行实验和应用。

加载模型：代码中加载了一个在ImageNet上预训练过的 VGG-16模型。使用预训练模型的好处是可以利用大规模数据集上的特征学习成果，尤其是在数据较少的任务中。

创建输入：通过torch.randn生成了一个形状为(1, 3, 224, 224)的随机张量，模拟了一个批次的图像输入。这里的尺寸和通道数一般与VGG-16的预期输入匹配。

导出为ONNX格式：最后，使用torch.onnx.export将PyTorch模型导出为ONNX格式。ONNX格式的模型可以在多个不同的深度学习框架中使用，如TensorFlow、Caffe2等，方便模型的跨平台部署。

通过以上代码，用户可以快速将PyTorch中的预训练模型转换为ONNX格式，以便在其他环境中进行推理和优化。