3. ONNX模型结构解析：ONNX计算图、Node与Tensor、使用Netron可视化模型

说实话，很多同学跑通了ONNX导出，但一遇到报错就懵了。为什么？因为没搞懂ONNX内部长什么样。今天我就带你把它扒开看看。

ONNX模型说白了就是一个计算图。你想想看，深度学习模型本质上不就是一堆数学运算串起来吗？ONNX就是把这些运算和它们之间的数据流动，用一种标准格式记录下来。

3.1 ONNX计算图的核心概念

一个ONNX模型，我习惯把它想象成一张流程图。这张图里有三个核心要素：

Node（节点）：代表一个运算操作，比如卷积、ReLU、矩阵乘
Tensor（张量）：代表数据，也就是节点之间流动的多维数组
Graph（计算图）：由Node和Tensor组成的完整网络结构

我在项目中遇到过一个问题：导出的ONNX模型在TensorRT上跑不起来，报错说某个算子不支持。当时我直接打开ONNX文件一看，发现有个自定义算子没注册。嗯，这就是不懂计算图结构的代价。

核心理解：ONNX模型 = 计算图 + 元数据（模型版本、生产者信息等）

3.2 Node：计算图中的运算节点

每个Node都包含以下信息：

属性	说明	示例
name	节点名称（可自动生成）	"Conv_0"
op_type	算子类型	"Conv", "Relu", "MatMul"
input	输入张量名称列表	["input.1", "conv.weight"]
output	输出张量名称列表	["conv_output.1"]
attribute	算子参数（如卷积的kernel_shape）	{"kernel_shape": [3,3], "strides": [1,1]}

说白了，Node就是告诉计算机：「嘿，这里要做一次卷积，输入是这两个张量，输出放那里，参数我都写好了。」

3.3 Tensor：流动的数据

Tensor在ONNX里不仅仅是数值数组，它还携带了数据类型和形状信息。我个人习惯把Tensor分为三类：

输入Tensor：模型入口，比如图片数据
中间Tensor：节点之间的临时数据
输出Tensor：模型最终结果
权重Tensor：卷积核、偏置等可学习参数（通常作为常量节点）

小技巧：在Netron里，Tensor用箭头表示，Node用方框表示。箭头越粗，说明数据量越大。我曾经靠这个一眼发现了某个中间层张量形状异常的问题。

3.4 使用Netron可视化模型

Netron是我最常用的ONNX可视化工具。它支持多种框架格式，但看ONNX最舒服。

安装方式：

# 命令行安装
pip install netron

# 或者直接下载桌面版
# https://github.com/lutzroeder/netron/releases

使用方式：

import netron

# 启动可视化服务，会自动打开浏览器
netron.start('model.onnx')

打开后你会看到什么？

左侧是完整的计算图，节点和连线一目了然
点击任意节点，右侧会显示该节点的详细信息
包括输入输出张量的名称、形状、数据类型
还有算子的属性参数

注意：如果模型太大（比如超过100MB），Netron可能会卡顿。我曾经处理过一个200MB的模型，等了快一分钟才渲染出来。建议先用onnx-simplifier简化一下。

3.5 动手解析ONNX模型结构

光看不练假把式。我们来写几行代码，直接读取ONNX模型内部结构：

import onnx

# 加载模型
model = onnx.load('model.onnx')
graph = model.graph

# 打印计算图基本信息
print(f"模型名称: {graph.name}")
print(f"输入节点数: {len(graph.input)}")
print(f"输出节点数: {len(graph.output)}")
print(f"中间节点数: {len(graph.node)}")
print(f"权重/常量数: {len(graph.initializer)}")

# 遍历所有节点
for i, node in enumerate(graph.node):
    print(f"\n节点 {i}: {node.op_type}")
    print(f"  名称: {node.name}")
    print(f"  输入: {[name for name in node.input]}")
    print(f"  输出: {[name for name in node.output]}")
    
    # 打印属性
    for attr in node.attribute:
        print(f"  属性 {attr.name}: {attr}")

这段代码我每次调试ONNX导出问题时都会用。它能帮你快速定位：

有没有多余的节点（比如PyTorch自动插入的某些操作）
输入输出名称对不对得上
算子类型是否在TensorRT支持列表里

3.6 知识体系总览

下面这张图总结了ONNX模型结构的核心逻辑，我建议你保存下来：

这张图把ONNX模型拆成了三块：元数据、计算图、权重。计算图里又分输入Tensor、Node、中间Tensor、输出Tensor。你想想看，是不是所有深度学习模型都能用这个框架描述？

3.7 避坑指南

最后分享几个我踩过的坑：

节点名称冲突：PyTorch导出时如果多个节点同名，ONNX会报错。我习惯在导出前用torch.onnx.export的dynamic_axes参数手动指定名称。
动态形状问题：ONNX默认是静态形状。如果你需要动态batch，记得在导出时设置dynamic_axes。我曾经忘了设，结果TensorRT推理时batch size一改就崩。
算子兼容性：不是所有ONNX算子TensorRT都支持。我建议导出后用onnxruntime先跑一遍，再用trtexec检查一遍。

我的习惯：每次导出ONNX后，第一件事就是用Netron打开看一眼。确认输入输出形状对不对，有没有多余的Cast或Shape节点。这一步能省下后面大量调试时间。

好了，ONNX模型结构就讲到这里。记住：计算图、Node、Tensor，这三个概念搞清楚了，后面TensorRT加速你就成功了一半。

可可精品资料库

📚 课程目录

3. ONNX模型结构解析：ONNX计算图、Node与Tensor、使用Netron可视化模型

3.1 ONNX计算图的核心概念

3.2 Node：计算图中的运算节点

3.3 Tensor：流动的数据

3.4 使用Netron可视化模型

3.5 动手解析ONNX模型结构

3.6 知识体系总览

3.7 避坑指南