前言

构建onnx方式通常有两种：
1、通过代码转换成onnx结构，比如pytorch —> onnx
2、通过onnx 自定义结点，图，生成onnx结构

本文主要是简单学习和使用两种不同onnx结构，
下面以 Reduce 结点进行分析

方式

方法一：pytorch --> onnx

暂缓，主要研究方式二

方法二： onnx

import onnx
from onnx import helper
from onnx import TensorProto# 创建一个空的ONNX图
graph = helper.make_graph(nodes=[], name='Reduce_Graph', inputs=[], outputs=[])# 创建Reduce节点的输入参数
input_data = helper.make_tensor_value_info('input', TensorProto.FLOAT, [1, 3, 4, 4])  # 输入张量的形状为[1, 3, 4, 4]
axes = [2, 3]  # 指定要进行降维操作的维度
keepdims = 1  # 是否保持降维后的维度
graph.input.extend([input_data])# 创建Reduce节点
reduce_node = helper.make_node('ReduceSum', ['input'], ['output'], name='Reduce_Node', axes=axes, keepdims=keepdims)# 添加Reduce节点到图中
graph.node.extend([reduce_node])# 创建Reduce节点的输出参数
output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [1, 3, 1, 1])  # 降维后的输出张量形状为[1, 3, 1, 1]
graph.output.extend([output])# 创建ONNX模型
model = helper.make_model(graph, producer_name='ONNX_Reduce_Example')# 保存ONNX模型到文件
onnx.save(model, 'reduce_model.onnx')