4、ONNX模型结构解析：计算图、节点与张量、使用Netron可视化模型

好，咱们进入第四章。这一章，我打算带你把ONNX模型“大卸八块”，看看里面到底长什么样。

你可能会想：“模型不就是个文件吗？能有什么好看的？” 嗯，还真不是。ONNX模型内部是一个有向无环图，我们叫它计算图。说白了，就是描述数据怎么流动、怎么被处理的蓝图。不理解这个图，你后面做优化、做部署，基本就是瞎蒙。

4.1 计算图：模型的骨架

我个人习惯把计算图想象成一个工厂的流水线。原材料（输入数据）从入口进来，经过一道道工序（节点），最终变成产品（输出结果）。

ONNX的计算图由三部分组成：

  • 节点（Node）：就是流水线上的机器，负责执行一个操作，比如卷积、ReLU、矩阵乘法。
  • 张量（Tensor）：就是流水线上流动的零件，也就是数据本身。它有形状、数据类型这些属性。
  • 边（Edge）：连接节点和张量的线，定义了数据的流向。

你想想看，一个ResNet50模型，可能有几百个节点。每个节点只干一件事，但组合起来就能完成图像分类这种复杂任务。这就是计算图的魅力——化繁为简。

核心要点：ONNX的计算图是静态的。什么意思？就是图的结构在模型导出时就固定了，运行时不会改变。这和PyTorch的动态图不一样，你得适应这种“静态思维”。

4.2 节点：计算的基本单元

每个节点都包含几个关键信息：

  • op_type：操作类型，比如"Conv"、"Relu"、"MatMul"。
  • inputs：输入张量的名字列表。
  • outputs：输出张量的名字列表。
  • attributes：操作的参数，比如卷积的kernel_shape、strides、pads。

举个例子，一个卷积节点的attributes里会记录：

kernel_shape: [3, 3]
strides: [1, 1]
pads: [1, 1, 1, 1]
group: 1

这些参数决定了卷积核怎么滑动、怎么填充。我在项目中遇到过一个问题：导出的ONNX模型在推理时结果不对，排查了半天，发现是pads参数的顺序搞错了。ONNX用的是[x1_begin, x2_begin, x1_end, x2_end]这种格式，和某些框架的默认顺序不一样。嗯，这里要注意。

小技巧：查看节点属性时，重点关注那些非默认值的参数。比如group=1是常规卷积，如果group=in_channels，那就是深度可分离卷积了。这些细节直接影响你的优化策略。

4.3 张量：数据的载体

张量在ONNX里，不仅仅是数据，它还携带了元信息。每个张量都有：

  • name：唯一标识符，用于节点间的连接。
  • shape：形状，比如[N, C, H, W]。
  • dtype：数据类型，常见的有float32、int64、bool。
  • data：实际数据，可能是权重、偏置，也可能是中间计算结果。

这里有个坑：ONNX的权重是存储在张量里的，而且是序列化的。什么意思？就是权重数据直接嵌在模型文件里。我曾经把一个300MB的模型文件打开，发现里面90%都是权重数据。所以，模型文件大，不一定是因为结构复杂，很可能只是权重多。

避坑指南：我曾经在部署一个BERT模型时，发现ONNX文件有2GB。后来一查，是因为embedding层的权重被完整保存了。解决方案是用external data，把权重单独存成文件，模型文件只保留结构。这样加载速度会快很多。

4.4 使用Netron可视化模型

光说理论太枯燥。咱们来点实际的——用Netron看模型。

Netron是一个神器，支持ONNX、TensorFlow、PyTorch等多种格式。你只需要把模型文件拖进去，它就能把计算图画出来。

怎么用？

  1. 打开浏览器，访问Netron的在线版本（或者下载桌面版）。
  2. 把你的.onnx文件拖进去。
  3. 等几秒钟，你就能看到一张巨大的计算图。

我第一次用Netron看ResNet50时，被密密麻麻的节点吓了一跳。但别慌，Netron提供了几个实用功能：

  • 缩放：滚轮缩放，看整体结构。
  • 点击节点：查看节点的详细属性，包括输入输出张量的形状。
  • 搜索：按节点名称或类型搜索，快速定位。
  • 导出图片：把计算图导出为PNG或SVG，方便分享。

实战建议：我个人习惯先看整体结构，确认模型的输入输出对不对。然后重点关注那些形状变化的节点，比如Reshape、Transpose、Flatten。这些节点往往是性能瓶颈，也是优化的重点。

4.5 实战：用Python解析ONNX模型

Netron虽然方便，但有时候我们需要用代码来解析模型。比如，你想统计模型中每种操作的数量，或者检查某个张量的形状。

ONNX官方提供了Python API，用起来很简单：

import onnx

# 加载模型
model = onnx.load("model.onnx")

# 获取计算图
graph = model.graph

# 打印所有节点的名称和类型
for node in graph.node:
    print(f"Node: {node.name}, Op: {node.op_type}")

# 打印所有输入张量
for input_tensor in graph.input:
    print(f"Input: {input_tensor.name}, Shape: {input_tensor.type.tensor_type.shape}")

# 打印所有输出张量
for output_tensor in graph.output:
    print(f"Output: {output_tensor.name}, Shape: {output_tensor.type.tensor_type.shape}")

# 统计操作类型
from collections import Counter
op_counts = Counter(node.op_type for node in graph.node)
print(op_counts)

这段代码能帮你快速了解模型的结构。我在做模型优化时，经常用这个脚本来检查是否有不常见的操作，比如一些自定义算子。如果有，那就得考虑替换或者实现对应的kernel了。

小提示：如果你发现模型里有大量Shape、Gather、Unsqueeze这类操作，说明模型可能包含动态形状。这类模型在部署时比较麻烦，需要特殊处理。我建议尽量导出为静态形状的模型，性能会稳定很多。

4.6 总结

这一章，我们拆解了ONNX模型的结构：计算图是骨架，节点是操作，张量是数据。Netron是可视化的利器，Python API是程序化分析的武器。

理解这些，你才算真正入了ONNX的门。下一章，我们会聊怎么用ONNX Runtime跑推理，到时候这些知识都会用上。嗯，做好准备。

← 上一章 📖 返回目录 下一章 →