4.19 构建onnx结构模型-Range

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 Range 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='Pad_Graph', inputs=[], outputs=[])

# # 创建一个输入节点
# input = helper.make_tensor_value_info('input', TensorProto.FLOAT, [1, 3, 32, 32])
# graph.input.extend([input])

# # 创建Pad节点
# pad_value = 0.0  # 填充值
# pads = [0, 0, 1, 1, 2, 2, 0, 0]  # 填充的维度和数量
# mode = b'constant'  # 填充模式
# pad_node = helper.make_node('Pad', ['input'], ['output'], name='Pad_Node', pads=pads, value=pad_value, mode=mode)

# # 添加Pad节点到图中
# graph.node.extend([pad_node])

# # 创建输出节点
# output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [1, 3, 36, 36])
# graph.output.extend([output])

# # 创建ONNX模型
# model = helper.make_model(graph, producer_name='ONNX_Pad_Example')

# # 保存ONNX模型到文件
# onnx.save(model, 'pad_model.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='Range_Graph', inputs=[], outputs=[])

# 创建Range节点的输入参数
start_input = helper.make_tensor_value_info('start', TensorProto.INT64, [1])
limit_input = helper.make_tensor_value_info('limit', TensorProto.INT64, [1])
delta_input = helper.make_tensor_value_info('delta', TensorProto.INT64, [1])
graph.input.extend([start_input, limit_input, delta_input])

# 创建Range节点
range_node = helper.make_node('Range', ['start', 'limit', 'delta'], ['output'], name='Range_Node')

# 添加Range节点到图中
graph.node.extend([range_node])

# 创建Range节点的输出参数
output = helper.make_tensor_value_info('output', TensorProto.INT64, [10])  # 生成包含10个整数的序列
graph.output.extend([output])

# 创建ONNX模型
model = helper.make_model(graph, producer_name='ONNX_Range_Example')

# 保存ONNX模型到文件
onnx.save(model, 'range_model.onnx')