3、ONNX模型结构解析：ONNX计算图、节点(Node)、张量(Tensor)、初始器(Initializer)、图(Graph)与元数据

好，咱们今天来拆一个ONNX模型。

说实话，我第一次拿到ONNX文件时，第一反应是：这玩意儿到底长什么样？是像JSON那样能直接看，还是像二进制那样黑盒？后来我打开一看，嗯，它其实是个Protobuf序列化文件。说白了，就是Google那套序列化协议打包出来的。

我个人习惯，拿到一个新模型，第一件事就是把它反序列化，看看里面到底装了啥。今天我就带你一层层剥开ONNX的“洋葱”。

3.1 ONNX计算图：一切的核心

ONNX的核心，就是一张计算图（Graph）。

你想想看，深度学习模型本质上是什么？是一堆数学运算的组合。卷积、池化、激活、全连接……这些运算按照一定的顺序连接起来，就形成了一张图。这张图就是计算图。

我在项目中遇到过，有些同学把ONNX当成一个“黑盒”，直接拿来推理，出了问题也不知道怎么查。其实你只要理解了计算图，很多问题一眼就能看穿。

计算图由几个关键部分组成：

• 节点（Node）：图中的每个运算操作，比如Conv、Relu、Add。
• 张量（Tensor）：节点之间的数据流，也就是输入和输出。
• 初始器（Initializer）：模型的权重和偏置，这些是固定的参数。
• 图（Graph）：把节点、张量、初始器组织起来的容器。
• 元数据（Metadata）：模型的版本、作者、描述等信息。

3.2 节点(Node)：运算的“原子”

节点是计算图的基本单元。每个节点代表一个运算操作。

比如一个卷积层，在ONNX里就是一个Conv节点。它有几个关键属性：

• op_type：运算类型，比如"Conv"、"Relu"、"Add"。
• input：输入张量的名称列表。
• output：输出张量的名称列表。
• attribute：运算的参数，比如卷积的kernel_shape、strides、pads。

我举个例子，一个简单的卷积节点长这样：

node {
  input: "input_tensor"
  input: "conv_weight"
  input: "conv_bias"
  output: "conv_output"
  op_type: "Conv"
  attribute {
    name: "kernel_shape"
    ints: 3
    ints: 3
  }
  attribute {
    name: "strides"
    ints: 1
    ints: 1
  }
  attribute {
    name: "pads"
    ints: 1
    ints: 1
    ints: 1
    ints: 1
  }
}

你看，这个节点接收三个输入：输入张量、权重、偏置。输出一个张量。属性里定义了卷积核大小、步长、填充。

3.3 张量(Tensor)：数据的“载体”

张量就是数据。在ONNX里，张量有名字、数据类型、形状和具体的数值。

张量分为两种：

• 输入/输出张量：节点之间的数据流，比如卷积的输入和输出。
• 初始器张量：模型的权重和偏置，这些是固定的。

一个张量的定义大概是这样：

tensor {
  dims: 1
  dims: 3
  dims: 224
  dims: 224
  data_type: FLOAT
  name: "input_tensor"
}

这里定义了一个形状为[1, 3, 224, 224]的浮点张量，名字叫"input_tensor"。

你想想看，整个模型推理过程，就是张量在节点之间流动的过程。输入张量经过Conv节点，变成特征图张量；再经过Relu节点，变成激活后的张量……直到最后的输出张量。

3.4 初始器(Initializer)：模型的“记忆”

初始器就是模型的权重和偏置。它们是训练好的参数，在推理时不会改变。

在ONNX里，初始器被单独存放在一个列表里。每个初始器就是一个张量，但它是“可读不可写”的。

我举个例子，一个卷积层的权重初始器：

initializer {
  dims: 64
  dims: 3
  dims: 3
  dims: 3
  data_type: FLOAT
  name: "conv1.weight"
  raw_data: "..."
}

这里的raw_data就是权重数值的二进制表示。ONNX支持两种存储方式：

• raw_data：二进制格式，体积小，解析快。
• float_data / int32_data：明文格式，可读性好，但体积大。

3.5 图(Graph)：把一切组织起来

图是ONNX模型的骨架。它把节点、张量、初始器组织成一个完整的计算流程。

一个图包含：

• node：所有运算节点。
• initializer：所有权重和偏置。
• input：模型的输入张量。
• output：模型的输出张量。
• value_info：中间张量的形状和类型信息。

我画个简单的图帮你理解：

输入张量 (input_tensor)
    ↓
Conv节点 (conv1)  ← 权重初始器 (conv1.weight) + 偏置初始器 (conv1.bias)
    ↓
Relu节点 (relu1)
    ↓
Conv节点 (conv2)  ← 权重初始器 (conv2.weight) + 偏置初始器 (conv2.bias)
    ↓
输出张量 (output_tensor)

你看，这就是一个最简单的两层卷积网络的计算图。每个节点从初始器或前一个节点获取输入，然后产生输出。

3.6 元数据(Metadata)：模型的“身份证”

元数据记录了模型的基本信息。虽然不参与计算，但非常重要。

常见的元数据包括：

• ir_version：ONNX中间表示的版本号。
• opset_import：使用的算子集版本。
• producer_name：生成模型的框架，比如"pytorch"、"tensorflow"。
• producer_version：框架的版本号。
• domain：模型所属的域，通常是"ai.onnx"。
• model_version：模型版本号，可以自己定义。
• doc_string：模型的描述信息。

我举个例子：

ir_version: 8
opset_import {
  version: 18
}
producer_name: "pytorch"
producer_version: "2.1.0"
domain: "ai.onnx"
model_version: 1
doc_string: "ResNet50 model for image classification"

3.7 实战：用Python解析ONNX模型

光说不练假把式。咱们写几行代码，看看ONNX模型到底长什么样。

import onnx

# 加载模型
model = onnx.load("resnet50.onnx")

# 获取图
graph = model.graph

# 打印节点信息
print("=== 节点列表 ===")
for i, node in enumerate(graph.node):
    print(f"节点{i}: op_type={node.op_type}, input={node.input}, output={node.output}")

# 打印初始器信息
print("\n=== 初始器列表 ===")
for initializer in graph.initializer:
    print(f"名称: {initializer.name}, 形状: {initializer.dims}, 数据类型: {initializer.data_type}")

# 打印输入输出
print("\n=== 输入 ===")
for input_tensor in graph.input:
    print(f"名称: {input_tensor.name}, 形状: {input_tensor.type.tensor_type.shape}")

print("\n=== 输出 ===")
for output_tensor in graph.output:
    print(f"名称: {output_tensor.name}, 形状: {output_tensor.type.tensor_type.shape}")

# 打印元数据
print(f"\n=== 元数据 ===")
print(f"IR版本: {model.ir_version}")
print(f"算子集版本: {model.opset_import[0].version}")
print(f"生产者: {model.producer_name} {model.producer_version}")

运行这段代码，你就能看到模型的全貌。我个人习惯，拿到一个新模型，先跑一遍这个脚本，心里就有底了。

嗯，今天就到这儿。记住，动手实践是最好的学习方式。打开你的Python，加载一个ONNX模型，看看它里面到底有啥。