3. ONNX模型基础：理解ONNX格式、模型结构与张量概念

3.1 为什么Java开发者需要理解ONNX内部结构

在Java服务端直接调用ONNX Runtime执行推理时，多数报错信息都指向模型内部结构。例如，常见的报错 Invalid Node: Node (Conv_3) has input size 2 not in [3, 3]，如果不理解ONNX中算子（Operator）的输入输出规则，很难定位是模型导出问题还是调用参数问题。另一个高频场景是：PyTorch导出的模型在Python端运行正常，但Java端加载时提示 Unsupported data type: INT8，这需要你理解ONNX张量的数据类型编码规则。因此，掌握ONNX格式的底层结构，是Java部署排障的第一道基本功。

3.2 ONNX文件格式：Protobuf与序列化

ONNX模型文件（.onnx）使用Google Protobuf（Protocol Buffers）进行序列化。Protobuf是一种二进制序列化协议，比JSON/XML更紧凑，解析速度更快。ONNX的Protobuf定义文件（onnx.proto）规定了模型的所有数据结构。

一个完整的ONNX文件在磁盘上的逻辑结构如下：

ModelProto
├── ir_version: 8                    # ONNX IR版本号
├── opset_import: [domain: "", version: 17]   # 算子集版本
├── producer_name: "pytorch"         # 导出工具
├── producer_version: "2.1.0"
├── graph: GraphProto                # 核心计算图
│   ├── node: [NodeProto, NodeProto, ...]   # 算子节点列表
│   ├── initializer: [TensorProto, ...]     # 初始权重（常量）
│   ├── input: [ValueInfoProto, ...]        # 图输入
│   ├── output: [ValueInfoProto, ...]       # 图输出
│   └── value_info: [...]                   # 中间张量形状信息
└── metadata_props: [...]            # 附加元数据

其中，ir_version 表示ONNX中间表示（IR）的版本，不同版本支持的算子特性和属性不同。opset_import 声明了该模型使用的算子集版本，Java端ONNX Runtime必须支持该版本才能正确加载。如果Java端报错 Unsupported opset version，通常就是这里不匹配。

3.3 计算图结构：节点、边与张量

ONNX模型的核心是计算图（Graph）。计算图由三类基本元素构成：

• 节点（Node）：表示一个数学操作，如卷积（Conv）、矩阵乘（MatMul）、激活（Relu）等。每个节点有 op_type（算子类型）、inputs（输入张量名列表）、outputs（输出张量名列表）和 attribute（算子属性，如卷积的kernel_shape、strides）。
• 张量（Tensor）：数据的基本载体，具有名称、数据类型、形状（shape）和原始数据。张量在图中以“边”的形式连接节点。
• 边（Edge）：张量名作为边的标识，连接生产者和消费者节点。例如，节点A的输出张量名 conv1_out 如果被节点B作为输入引用，则A→B之间存在一条边。

下面是一个典型的ONNX计算图片段，展示了一个两层的全连接网络结构：

graph: {
  node: {
    input: ["input", "fc1_weight", "fc1_bias"]
    output: ["fc1_out"]
    op_type: "MatMul"    // 实际中常为Gemm
  }
  node: {
    input: ["fc1_out"]
    output: ["relu1_out"]
    op_type: "Relu"
  }
  node: {
    input: ["relu1_out", "fc2_weight", "fc2_bias"]
    output: ["output"]
    op_type: "MatMul"
  }
  initializer: [
    { name: "fc1_weight", data_type: FLOAT, dims: [784, 512] },
    { name: "fc1_bias",   data_type: FLOAT, dims: [512] },
    { name: "fc2_weight", data_type: FLOAT, dims: [512, 10] },
    { name: "fc2_bias",   data_type: FLOAT, dims: [10] }
  ]
  input: [{ name: "input", type: { tensor_type: { elem_type: FLOAT, shape: [1, 784] }}}]
  output: [{ name: "output", type: { tensor_type: { elem_type: FLOAT, shape: [1, 10] }}}]
}

注意，initializer 中的权重（如 fc1_weight）是常量张量，它们不来自任何节点，而是直接嵌入模型文件。Java端加载时，这些权重会被反序列化并存储在内存中，供后续算子调用。

3.4 张量概念：形状、数据类型与内存布局

张量（Tensor）是ONNX中数据的基本单元，可以理解为多维数组。理解张量需要掌握以下四个维度：

ONNX中常见的数据类型枚举值如下（Java端可通过 OnnxTensor.createTensor 时指定）：

// ONNX TensorProto.DataType 枚举（部分）
FLOAT   = 1   // 32位浮点
UINT8   = 2   // 8位无符号整数
INT8    = 3   // 8位有符号整数
UINT16  = 4
INT16   = 5
INT32   = 6
INT64   = 7   // 64位整数，常用于shape、索引
DOUBLE  = 11  // 64位浮点
BOOL    = 9

在Java端，当你需要将输入数据转换为ONNX张量时，必须确保Java数组的类型与ONNX张量的 elem_type 匹配。例如，如果模型输入是 FLOAT 类型，你应使用 float[] 或 float[][] 数组，而不是 double[]，否则会抛出类型不匹配异常。

3.5 可视化案例：一个实际模型的图结构

下面以一个简化的图像分类模型（输入1×3×32×32，输出1×10）为例，展示其ONNX计算图的可视化结构。该图展示了数据从输入到输出的流动路径，以及各节点的连接关系。

上图展示了几个关键特征：initializer（权重）以虚线箭头指向对应的Conv节点，表示它们是常量输入；中间张量（如 conv1_out）在图中以绿色/橙色小标签标注，它们不占用额外存储，只是逻辑上的数据流标识。在Java端调试时，你可以通过ONNX Runtime的 run() 方法指定输出中间张量名来获取这些值，用于验证计算正确性。

3.6 方法流程：Java端如何解析和加载ONNX模型

在Java中，使用ONNX Runtime加载模型的典型流程如下：

1. 创建OrtSession：通过 OrtEnvironment.getEnvironment() 获取全局环境，然后调用 session = env.createSession(modelPath, sessionOptions) 加载模型。
2. 检查输入输出信息：通过 session.getInputInfo() 和 session.getOutputInfo() 获取输入输出张量的名称、形状和数据类型。这一步可以验证你对模型结构的理解是否正确。
3. 准备输入张量：根据输入信息创建 OnnxTensor。例如，如果输入是 FLOAT 类型且形状为 [1, 3, 224, 224]，你需要将图像数据转换为 float[] 并调用 OnnxTensor.createTensor(env, floatArray, shape)。
4. 执行推理：调用 session.run(Collections.singletonMap("input", inputTensor))，返回结果中包含输出张量。
5. 解析输出：从 OnnxTensor 中提取Java数组，例如 result.get(0).getFloatBuffer() 获取浮点输出。

// Java端加载ONNX模型的核心代码片段
OrtEnvironment env = OrtEnvironment.getEnvironment();
OrtSession session = env.createSession("model.onnx", new OrtSession.SessionOptions());

// 查看输入信息
Map<String, NodeInfo> inputInfo = session.getInputInfo();
for (Map.Entry<String, NodeInfo> entry : inputInfo.entrySet()) {
    System.out.println("输入: " + entry.getKey() + 
                       " 形状: " + entry.getValue().getInfo().getShape() +
                       " 类型: " + entry.getValue().getInfo().getType());
}

// 创建输入张量（假设输入为 [1, 3, 224, 224] 的FLOAT）
float[] imageData = new float[1 * 3 * 224 * 224]; // 填充图像数据
long[] shape = {1, 3, 224, 224};
OnnxTensor inputTensor = OnnxTensor.createTensor(env, imageData, shape);

// 执行推理
try (OrtSession.Result result = session.run(Collections.singletonMap("input", inputTensor))) {
    OnnxTensor outputTensor = result.get(0).getValue();
    float[] outputData = outputTensor.getFloatBuffer().array();
    // 处理输出数据
}

3.7 常见误区与复盘