2、ONNX基础：ONNX格式简介、模型文件结构、节点与张量概念

2.1 ONNX 格式简介：为什么需要一种“中间格式”

在深度学习生态中，PyTorch、TensorFlow、PaddlePaddle 等框架各自拥有独立的模型保存格式。这些格式与框架的运行时、算子实现深度绑定，导致模型难以跨框架部署。ONNX（Open Neural Network Exchange）正是为解决此问题而诞生的开放式中间表示格式。它不隶属于任何单一框架，而是定义了一套与框架无关的计算图描述规范。训练好的模型可以导出为 ONNX 文件，再通过各平台的 ONNX Runtime 或转换工具，部署到云端服务器、移动端甚至嵌入式设备上。

从本质上看，ONNX 文件是一个协议缓冲区（Protobuf）序列化文件，它记录了模型的计算图结构、算子类型、张量维度、初始权重以及元数据。这种二进制格式具有跨平台、可扩展、体积紧凑的特点。理解 ONNX 的结构，是后续进行模型可视化、编辑和优化的基础。

2.2 模型文件结构：从 Protobuf 到计算图

ONNX 模型文件采用 Protobuf 序列化格式存储。打开一个 .onnx 文件，其顶层结构是一个 ModelProto 对象，它主要包含以下关键字段：

• ir_version：ONNX 规范版本号，决定了图结构的解析规则。
• opset_import：声明该模型使用的算子集版本（如 ai.onnx v17），不同版本的算子可能具有不同的属性定义。
• producer_name / producer_version：生成该模型的框架名称与版本（如 PyTorch 2.1）。
• graph：模型的核心，即计算图（GraphProto）。

而 GraphProto 内部又由四个主要部分组成：node（节点列表）、initializer（初始权重）、input（图输入）和 output（图输出）。此外还有 value_info 用于记录中间张量的形状信息。我们可以用 Python 快速查看模型结构：

import onnx
model = onnx.load("resnet18.onnx")
graph = model.graph
print("节点数量:", len(graph.node))
print("初始权重数量:", len(graph.initializer))
print("输入:", [(i.name, i.type.tensor_type.shape) for i in graph.input])
print("输出:", [o.name for o in graph.output])
# 打印前三个节点的信息
for n in graph.node[:3]:
    print(f"节点类型: {n.op_type}, 名称: {n.name}")
    print(f"  输入: {list(n.input)}")
    print(f"  输出: {list(n.output)}")

从上述代码可以看到，节点（Node）是计算图的基本执行单元，每个节点代表一个算子操作（如 Conv、Relu、Add），通过输入输出张量名称与其他节点连接。

GraphProto 成员	作用	可视化中的意义
node	算子节点列表，描述计算逻辑	图中的方框/圆形节点
initializer	存储权重、偏置等常量张量	通常不显示或显示为独立小节点
input	模型输入张量定义	图的入口节点
output	模型输出张量定义	图的出口节点
value_info	中间张量的形状与类型信息	辅助显示数据维度变化

2.3 节点与张量：理解计算图的核心要素

ONNX 计算图本质上是一个有向无环图（DAG）。图中的节点（Node）代表算子，张量（Tensor）则作为边在节点间传递数据。每个节点通过 input 字段引用上游张量名称，通过 output 字段定义下游张量名称。这种设计使得模型结构完全由张量的数据依赖关系决定。

以经典的卷积块为例，一个 Conv 节点通常接收三个输入：输入特征图、权重（W）和偏置（B），输出一个特征图。权重和偏置通常存放在 initializer 中，它们不来自上游节点，而是直接作为常量嵌入模型。这种“权重即常量”的设计是 ONNX 图的一个重要特征。

# 假设某节点定义如下（伪代码）
node {
  op_type: "Conv"
  name: "conv1"
  input: "data"        # 来自上游或图输入
  input: "conv1_w"     # 来自 initializer
  input: "conv1_b"     # 来自 initializer
  output: "conv1_out"
  attribute {
    name: "kernel_shape"
    ints: [3, 3]
  }
  attribute {
    name: "strides"
    ints: [2, 2]
  }
}

在可视化工具中，节点通常被绘制为矩形或圆形，张量则表现为连接节点的边。理解节点与张量的关系，是读懂可视化结果的前提：张量名是全局唯一的标识符，它决定了数据如何流动；而节点属性（如卷积核大小、步长）则决定了数据如何被变换。

2.4 案例：从 PyTorch 导出并解析一个简单模型

为了更直观地理解上述概念，我们以一个两层全连接网络为例，演示如何导出 ONNX 并解析其结构。

import torch
import torch.nn as nn
import onnx

class SimpleNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(4, 8)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(8, 2)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

model = SimpleNet()
dummy_input = torch.randn(1, 4)
torch.onnx.export(model, dummy_input, "simple_net.onnx",
                  input_names=["input"], output_names=["output"],
                  opset_version=17)
print("导出成功！")

# 解析 ONNX 结构
onnx_model = onnx.load("simple_net.onnx")
graph = onnx_model.graph
print(f"图输入: {[i.name for i in graph.input]}")
print(f"图输出: {[o.name for o in graph.output]}")
print(f"节点数: {len(graph.node)}")
for node in graph.node:
    print(f"  [{node.op_type}] {node.name} -> 输出: {list(node.output)}")
print(f"初始权重数: {len(graph.initializer)}")
for init in graph.initializer:
    print(f"  权重: {init.name}, 形状: {list(init.dims)}")

运行上述代码后，你会看到输出中清晰地列出了 3 个节点（Gemm、Relu、Gemm）以及对应的权重张量。其中 Gemm 是 ONNX 中全连接层的通用算子，它接收输入和权重，执行矩阵乘法并加偏置。通过这种解析方式，我们能够验证导出的模型是否符合预期，也为后续的可视化分析打下基础。

2.5 常见误区与复盘

在学习和使用 ONNX 的过程中，初学者容易陷入以下几个误区：

• 误区一：认为 ONNX 是某种运行时。实际上 ONNX 只是模型描述格式，真正执行推理的是 ONNX Runtime 或其他推理引擎。
• 误区二：忽略 opset 版本的影响。不同 opset 版本对算子定义有差异，旧版本导出的模型在新版本中可能无法解析，反之亦然。导出时应明确指定 opset 版本。
• 误区三：混淆 initializer 与节点输入。initializer 中的权重是常量，不参与梯度计算，也不作为图输入。在可视化时，它们通常被折叠或单独显示，不应与真正的数据输入混淆。
• 误区四：认为节点顺序代表执行顺序。ONNX 图是数据流图，节点执行顺序由张量依赖关系决定，而非节点在列表中的排列顺序。可视化工具通常采用拓扑排序来布局。