ONNX模型基础：ONNX格式、计算图结构、节点与张量、输入输出定义

在开始模型裁剪之前，我们必须先建立对ONNX模型底层结构的清晰认知。ONNX（Open Neural Network Exchange）本质上是一种序列化的计算图描述协议，它将深度学习模型从训练框架（如PyTorch、TensorFlow）中解耦，形成一种框架无关的中间表示。裁剪操作，本质上是对这张计算图进行"删减"和"整理"——删除不再需要的计算节点，调整模型的输入输出接口。如果对计算图的结构理解不透彻，裁剪操作极易破坏模型的拓扑完整性，导致推理引擎加载失败或产生错误结果。本章将系统拆解ONNX格式的四个核心维度：格式封装、计算图结构、节点与张量、输入输出定义，为后续的裁剪实操打下坚实的理论基础。

2.1 ONNX格式：Protobuf序列化与模型封装

ONNX模型文件采用Google Protobuf（Protocol Buffers）进行序列化存储。Protobuf是一种高效的二进制序列化协议，相比JSON或XML，它具有更小的体积和更快的解析速度。一个标准的.onnx文件，其顶层结构包含三个关键部分：ModelProto、GraphProto和OperatorSetIdProto。其中ModelProto是根对象，它封装了模型的元数据（如生产者名称、版本）、图结构（GraphProto）以及使用的算子集版本（Opset Version）。

在裁剪操作中，我们通常使用Python的onnx库加载模型，该库会将.onnx文件解析为内存中的ModelProto对象。通过修改这个对象的属性（如删除node列表中的元素、修改output列表），再重新序列化为文件，即可完成裁剪。理解Protobuf的嵌套结构至关重要：ModelProto包含GraphProto，GraphProto包含NodeProto列表、TensorProto（初始权重）列表、ValueInfoProto（输入输出描述）列表。裁剪时，我们主要操作的是NodeProto列表和ValueInfoProto列表。

2.2 计算图结构：有向无环图（DAG）与数据流

ONNX的计算图是一个有向无环图（DAG），其中节点（Node）代表算子（如Conv、Relu、Add），边（Edge）代表张量（Tensor）的流动方向。数据从输入张量开始，经过一系列节点的计算，最终流向输出张量。理解DAG的拓扑结构是裁剪的前提——我们必须知道哪些节点是"死节点"（即其输出不被任何后续节点或最终输出所引用），才能安全地删除它们。

计算图中有三种特殊的张量角色：图输入（Graph Input）、图输出（Graph Output）和中间张量（Intermediate Tensor）。图输入是模型对外部数据的入口，图输出是模型对外部调用者返回的结果，中间张量则是节点之间传递的临时数据。裁剪时，我们通常关注的是：删除那些只产生中间张量、且该中间张量不被任何输出路径引用的节点。

张量角色	定义位置	裁剪时的处理策略
图输入（Graph Input）	graph.input列表	通常保留，除非裁剪后模型不再需要该输入
图输出（Graph Output）	graph.output列表	裁剪的核心目标之一：重新定义输出张量
中间张量（Intermediate）	节点间的连接边	若不被任何输出路径引用，则其上游节点可被删除
初始权重（Initializer）	graph.initializer列表	若对应的节点被删除，权重也应一并移除

2.3 节点与张量：算子属性与数据容器

每个节点（NodeProto）包含四个核心字段：op_type（算子类型，如"Conv"）、name（节点名称，可选）、input（输入张量名称列表）、output（输出张量名称列表）以及attribute（算子属性，如卷积的kernel_shape、strides）。在裁剪时，我们通过op_type识别节点功能，通过input和output追踪数据依赖关系。

张量（TensorProto）是数据的容器，它包含dims（形状）、data_type（数据类型）和raw_data（原始二进制数据）。在计算图中，张量名称是全局唯一的字符串标识。裁剪操作中，我们经常需要检查某个张量名称是否出现在节点的input或output列表中，以此判断该张量是否仍然被需要。

# 示例：遍历节点并打印其输入输出张量名
import onnx
model = onnx.load("model.onnx")
for node in model.graph.node:
    print(f"Op: {node.op_type}, Inputs: {list(node.input)}, Outputs: {list(node.output)}")

2.4 输入输出定义：ValueInfoProto与模型接口

模型的输入输出定义存储在graph.input和graph.output列表中，每个元素是一个ValueInfoProto对象，包含name、type（数据类型）和shape（形状信息）。这些定义构成了模型对外部世界的"接口契约"。在模型裁剪中，输出整理是核心环节——当我们删除了模型尾部的某些节点后，需要将新的中间张量提升为图输出，并更新graph.output列表。

例如，原始模型输出是分类概率（经过Softmax），但裁剪后我们只需要倒数第二层的特征向量（未经过Softmax）。此时，我们需要将特征向量的张量名称添加到graph.output中，并移除原有的Softmax输出。同时，必须确保新输出的ValueInfoProto中正确声明了形状和数据类型，否则推理引擎可能因形状不匹配而报错。

2.5 案例拆解：从分类模型提取特征提取器

假设我们有一个训练好的图像分类模型（ResNet-18），输入为[1, 3, 224, 224]的RGB图像，输出为[1, 1000]的分类概率。现在，我们需要将该模型裁剪为特征提取器——只保留到全局平均池化层（GlobalAveragePool）的输出，去掉后面的全连接层（FC）和Softmax层。

初始现象与目标：原始模型输出是概率分布，但我们希望获得图像的特征向量（维度为[1, 512]），用于下游的相似度检索任务。直接使用原始模型无法获取中间层特征。

分析判断过程：首先，我们加载模型并打印所有节点的op_type，定位到GlobalAveragePool节点的输出张量名称（假设为"pool_output"）。然后，检查该张量之后的所有节点（FC、Softmax），确认它们只服务于分类输出，不参与其他分支。

实际操作步骤：

1. 使用onnx.utils.extract_model()函数，指定输入张量名称为"input"，输出张量名称改为"pool_output"。
2. 该函数会自动遍历计算图，保留从输入到"pool_output"的所有必要节点，删除FC和Softmax节点。
3. 重新保存裁剪后的模型为feature_extractor.onnx。

import onnx
from onnx.utils import extract_model

# 提取从输入到pool_output的子图
extract_model(
    "resnet18.onnx",
    "feature_extractor.onnx",
    input_names=["input"],
    output_names=["pool_output"]
)
print("特征提取器已生成")

结果对比与风险：裁剪后的模型参数量从约11.7M减少到约11.2M（减少了FC层的参数），推理速度提升约15%。风险在于：如果后续有节点引用了被删除的FC层的输出，则裁剪会失败。在本案例中，FC层是末端节点，因此安全。

2.6 常见误区与总结复盘

误区一：混淆张量名称与节点名称。张量名称是数据流的标识，节点名称是算子实例的标识。裁剪时，我们操作的是张量名称（通过node.input和node.output），而非节点名称。如果错误地通过节点名称查找张量，可能导致找不到目标。

误区二：忽略Initializer的清理。删除节点后，其对应的权重张量（Initializer）仍然残留在graph.initializer列表中。虽然这不影响推理正确性，但会增加模型文件体积。裁剪后应遍历graph.initializer，移除未被任何节点引用的权重。

误区三：输出形状未更新。修改graph.output后，如果新输出的形状与原输出不一致，且未更新ValueInfoProto，某些推理引擎（如ONNX Runtime）会因形状推断失败而报错。