主要参考：
模型部署入门教程（五）：ONNX 模型的修改与调试
第五章：ONNX 模型的修改与调试
使用netron 可视化模型
读写onnx
构造onnx
创建一个描述线性函数 output = ax+b 的onnx模型。 需要两个节点，第一个节点计算 c = ax ，第二个节点计算 output = c+b
整体输入： a、 x、 b，输出output
import onnx
from onnx import helper
from onnx import TensorProto
# 输入 输出
a = helper.make_tensor_value_info('a', TensorProto.FLOAT, [10, 10])
x = helper.make_tensor_value_info('x', TensorProto.FLOAT, [10, 10])
b = helper.make_tensor_value_info('b', TensorProto.FLOAT, [10, 10])
output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [10, 10])
# 节点
mul = helper.make_node('Mul', ['a', 'x'], ['c'])
add = helper.make_node('Add', ['c', 'b'], ['output'])
# 构建计算图
graph = helper.make_graph([mul, add], 'linear_func', [a, x, b], [output]) # 节点、图名称、输入张量信息，输出张量信息
model = helper.make_model(graph)
# 确认是否满足onnx模型标准
onnx.checker.check_model(model)
print(model)
# 模型保存
onnx.save(model, 'linear_func.onnx')
out：
ir_version: 9
graph {node {input: "a"input: "x"output: "c"op_type: "Mul"}node {input: "c"input: "b"output: "output"op_type: "Add"}name: "linear_func"input {name: "a"type {tensor_type {elem_type: 1shape {dim {dim_value: 10}dim {dim_value: 10}}}}}input {name: "x"type {tensor_type {elem_type: 1shape {dim {dim_value: 10}dim {dim_value: 10}}}}}input {name: "b"type {tensor_type {elem_type: 1shape {dim {dim_value: 10}dim {dim_value: 10}}}}}output {name: "output"type {tensor_type {elem_type: 1shape {dim {dim_value: 10}dim {dim_value: 10}}}}}
}
opset_import {version: 19
}
onnx runtime 运行模型，查看是否正确
import onnxruntime
import numpy as np sess = onnxruntime.InferenceSession('linear_func.onnx')
a = np.random.rand(10, 10).astype(np.float32)
b = np.random.rand(10, 10).astype(np.float32)
x = np.random.rand(10, 10).astype(np.float32) output = sess.run(['output'], {'a': a, 'b': b, 'x': x})[0] assert np.allclose(output, a * x + b)
读取并修改 onnx
import onnx
model = onnx.load('linear_func.onnx') node = model.graph.node
node[1].op_type = 'Sub' onnx.checker.check_model(model)
onnx.save(model, 'linear_func_2.onnx')
调试ONNX模型
子模型提取
ONNX 官方为开发者提供了子模型提取（extract）的功能。子模型提取，顾名思义，就是从一个给定的 ONNX 模型中，拿出一个子模型。这个子模型的节点集、边集都是原模型中对应集合的子集。让我们来用 PyTorch 导出一个复杂一点的 ONNX 模型，并在它的基础上执行提取操作：
import torchclass Model(torch.nn.Module):def __init__(self):super().__init__()self.convs1 = torch.nn.Sequential(torch.nn.Conv2d(3, 3, 3),torch.nn.Conv2d(3, 3, 3),torch.nn.Conv2d(3, 3, 3))self.convs2 = torch.nn.Sequential(torch.nn.Conv2d(3, 3, 3),torch.nn.Conv2d(3, 3, 3))self.convs3 = torch.nn.Sequential(torch.nn.Conv2d(3, 3, 3),torch.nn.Conv2d(3, 3, 3))self.convs4 = torch.nn.Sequential(torch.nn.Conv2d(3, 3, 3),torch.nn.Conv2d(3, 3, 3),torch.nn.Conv2d(3, 3, 3))def forward(self, x):x = self.convs1(x)x1 = self.convs2(x)x2 = self.convs3(x)x = x1 + x2x = self.convs4(x)return xmodel = Model()
input = torch.randn(1, 3, 20, 20)torch.onnx.export(model, input, 'whole_model.onnx')
这个模型的可视化结果如下图所示:
在官网上，对节点进行了标号，然后方便提取，但是我在根据官网的知道写序号时，报错，keyError：22 。
然后将 序号，改成了 netron 上查看的块的output。
提取：
import onnxonnx.utils.extract_model('whole_model.onnx', 'partial_model.onnx', ['22'], ['28'])报错，keyerror 22 .
修改为：
import onnxonnx.utils.extract_model('whole_model.onnx', 'partial_model.onnx', ['/convs1/convs1.1/Conv_output_0'], ['/Add_output_0'])
提取后如下：
添加额外输出
onnx.utils.extract_model('whole_model.onnx', 'submodel_1.onnx', ['/convs1/convs1.1/Conv_output_0'], ['/convs3/convs3.1/Conv_output_0', '31'])
添加冗余输入
# 添加冗余输入
import onnx
onnx.utils.extract_model('whole_model.onnx', 'submodel_2.onnx', ['/convs1/convs1.1/Conv_output_0','input.1'], ['/Add_output_0'])
输出onnx中间节点的值
在使用 ONNX 模型时，最常见的一个需求是能够用推理引擎输出中间节点的值。这多见于深度学习框架模型和 ONNX 模型的精度对齐中，因为只要能够输出中间节点的值，就能定位到精度出现偏差的算子。我们来看看如何用子模型提取实现这一任务。
方法跟添加额外输出类似
问题
- "这里 make_graph 的节点参数有一个要求：计算图的节点必须以拓扑序给出。
拓扑序是与有向图的相关的数学概念。如果按拓扑序遍历所有节点的话，能保证每个节点的输入都能在之前节点的输出里找到（对于 ONNX 模型，我们把计算图的输入张量也看成“之前的输出”）。"
啥意思？
解决： 用节点的 output 代替拓扑序。
