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 Conv 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 AttributeProto, TensorProto, GraphProto
import numpy as np

def run():
    print("run start....\n")
    # 定义卷积层节点
    conv = helper.make_node('Conv',
                        inputs=['input', 'weights', 'bias'],
                        outputs=['output'],
                        kernel_shape=[3, 3],
                        strides=[1, 1],
                        pads=[1, 1, 1, 1])
    # 定义输入节点
    input = helper.make_tensor_value_info('input', TensorProto.FLOAT, [1, 3, 224, 224])
    
    # 定义权重节点
    weights = helper.make_tensor('weights', TensorProto.FLOAT, [64, 3, 3, 3], ([0.1]*1728))

    # 定义偏置节点
    bias = helper.make_tensor('bias', TensorProto.FLOAT, [64], ([0.2]*64))

    # 定义输出节点
    output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [1, 64, 224, 224])

    graph = helper.make_graph(
        nodes=[conv],
        name="test_graph",
        inputs=[input],
        outputs=[output], 
        initializer=[weights, bias],
    )

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

    return model

if __name__ == "__main__":
    model = run()
    onnx.save(model, "./test_conv2d.onnx")```