4、ONNX基础概念：ONNX计算图、节点与张量、ONNX opset版本、IR版本

好，咱们进入ONNX的核心概念部分。说实话，很多同学一开始接触ONNX，就被一堆术语搞懵了——计算图、节点、张量、opset、IR……感觉像在学一门新语言。别急，我带你一个一个捋清楚。

4.1 ONNX计算图：模型骨架

ONNX计算图，说白了就是描述模型运算流程的一张“地图”。它把整个神经网络拆解成一系列步骤，每个步骤就是一个节点，节点之间通过张量连接。

我个人习惯把计算图想象成“流水线”：

• 节点（Node）：就是流水线上的工位，每个工位干一件事，比如卷积、池化、激活。
• 张量（Tensor）：就是流水线上传递的“零件”，也就是数据。
• 边（Edge）：就是工位之间的传送带，定义了数据流向。

举个例子，一个简单的卷积神经网络，它的计算图大概长这样：

输入张量 → Conv节点 → Relu节点 → Pool节点 → Flatten节点 → Gemm(全连接)节点 → 输出张量

每个节点都有输入和输出，输入输出都是张量。你想想看，这不就是典型的“有向无环图”吗？

4.2 节点与张量：模型的基本单元

咱们深入看看节点和张量这两个核心概念。

4.2.1 节点（Node）

每个节点代表一个算子操作。ONNX定义了一套标准算子库，比如：

• Conv：卷积操作
• Relu：ReLU激活函数
• MaxPool：最大池化
• Gemm：矩阵乘法（全连接层）
• Add：张量加法
• Reshape：张量形状变换

每个节点都有三个关键属性：

• op_type：算子类型，比如"Conv"
• input：输入张量名称列表
• output：输出张量名称列表
• attribute：算子参数，比如卷积的kernel_shape、strides

我记得有一次排查模型转换问题，发现某个自定义算子没被ONNX支持，结果模型死活转不过去。后来我查了ONNX算子列表，才发现需要自己实现一个自定义节点。嗯，这里要注意，不是所有TensorFlow算子都能直接映射到ONNX。

4.2.2 张量（Tensor）

张量就是多维数组，是ONNX中数据的基本载体。它包含：

• 数据类型：float32、int64、bool等
• 形状：比如[N, C, H, W]（注意，ONNX默认是NCHW格式）
• 数据值：实际存储的数值

4.3 ONNX opset版本：算子的“方言”

opset，全称是Operator Set，翻译过来就是“算子集”。它定义了某个版本下，ONNX支持哪些算子，以及每个算子的行为。

为什么会这样？因为深度学习框架在不断发展，新的算子不断出现，旧算子也可能有行为变更。ONNX通过opset版本来管理这种变化。

举个例子：

• opset 7：支持基本的Conv、Relu、Gemm等
• opset 10：增加了对量化算子的支持
• opset 13：改进了Softmax的行为
• opset 15：增加了对更多NLP算子的支持

我建议你在转换模型时，尽量使用较新的opset版本（比如opset 15或更高），因为新版本通常修复了旧版本的bug，也支持更多算子。但也要注意，目标推理引擎可能只支持特定opset版本。

查看当前ONNX支持的opset版本，可以用这个命令：

import onnx
print(onnx.defs.onnx_opset_version())  # 输出当前ONNX版本支持的最高opset

4.4 IR版本：模型文件的“格式规范”

IR，全称Intermediate Representation，中间表示。它定义了ONNX模型文件的整体结构规范。

说白了，IR版本就是告诉你：一个ONNX文件应该长什么样，包含哪些部分，各部分如何组织。

目前ONNX主要有两个IR版本：

IR版本	说明	主要变化
IR v3	早期版本，功能有限	不支持稀疏张量、外部数据
IR v4	当前主流版本	支持稀疏张量、外部数据、模型元数据更丰富
IR v5	最新版本（ONNX 1.12+）	支持函数（Function）、训练相关算子

我个人习惯使用IR v4版本，兼容性最好。如果你需要用到函数（Function）特性，比如把重复的子图封装成函数，那就得用IR v5。

查看ONNX模型的IR版本：

import onnx
model = onnx.load("model.onnx")
print(model.ir_version)  # 输出IR版本号，比如6代表IR v4

这四个概念，你搞清楚了，ONNX就算入门了。下一章，咱们会动手把TensorFlow模型转成ONNX，到时候这些概念都会用上。