主要观点总结
本文介绍了ONNX（Open Neural Network Exchange）模型的原理、构造方法和调试技巧。文章首先解释了ONNX模型的结构和计算图的概念，然后展示了如何用Python和ONNX API构造一个描述线性函数的ONNX模型。接着，文章介绍了如何用ONNX Runtime运行模型，并用Netron进行可视化查看。此外，还讲解了子模型提取功能在ONNX调试中的应用，以及在实际部署中如何对ONNX模型进行调试和修改。最后，文章指出了在使用PyTorch等框架导出ONNX模型时面临的挑战，包括边序号改变和难以对应PyTorch代码和ONNX节点的问题。
关键观点总结
关键观点1: ONNX模型原理及结构
ONNX模型是一个计算图，节点是算子，边是参与运算的张量。通过可视化ONNX模型，可以了解模型的结构和运算流程。
关键观点2: 如何用Python和ONNX API构造ONNX模型
可以使用ONNX的Python API构造ONNX模型，包括构造张量信息、构造算子节点、构造计算图和封装成模型等步骤。
关键观点3: ONNX模型的运行和调试
可以用ONNX Runtime运行ONNX模型，并用Netron进行可视化查看。ONNX官方提供了子模型提取功能，便于对ONNX模型进行调试。
关键观点4: 在使用框架（如PyTorch）导出ONNX模型时的挑战
使用框架导出ONNX模型时，边序号可能会改变，且难以对应PyTorch代码和ONNX节点。这给调试和修改带来困难。
文章预览
概述 神经网络本质上是一个计算图。计算图的节点是算子，边是参与运算的张量。而通过可视化 ONNX 模型，我们知道 ONNX 记录了所有算子节点的属性信息，并把参与运算的张量信息存储在算子节点的输入输出信息中。事实上，ONNX 模型的结构可以用类图大致表示如下： 如图所示，一个 ONNX 模型可以用 ModelProto 类表示。 ModelProto 包含了版本、创建者等日志信息，还包含了存储计算图结构的 graph。 GraphProto 类则由输入张量信息、输出张量信息、节点信息组成。 张量信息 ValueInfoProto 类包括张量名、基本数据类型、形状。 节点信息 NodeProto 类包含了算子名、算子输入张量名、算子输出张量名。 定义ONNX 尝试完全用 ONNX 的 Python API 构造一个描述线性函数 output=a*x+b 的 ONNX 模型。我们将根据上面的结构，自底向上地构造这个模型。 首先，我们可以用 helper.m
………………………………
