学习如何在Python中从头开始生成OnnxGraphProto()图

在Python中使用OnnxGraphProto()函数可以从头开始生成ONNX图。下面是一个简单的例子来演示如何生成一个简单的ONNX图：

首先，我们需要导入必要的库和模块：

import numpy as np
import onnx
from onnx import helper, numpy_helper

接下来，我们可以创建一个空的ONNX图：

graph = helper.make_graph(
    [],  # 输入数据节点
    [],  # 输出数据节点
    'example_model',  # 模型名称
    [helper.make_initializer('input',    # 使用输入数据创建初始化节点
                             onnx.TensorProto.FLOAT,
                             [1, 2, 3],
                             list(range(1,7)))],  # 输入数据
    [])  # 模型节点

在上面的代码中，我们使用make_graph()函数创建一个空的ONNX图。我们将输入数据定义为一个大小为1x2x3的浮点数张量，并在初始化节点中设置为1到6的序列。

接下来，我们可以向图中添加一个节点：

node = helper.make_node(
    'Add',  # 操作类型
    ['input', 'input'],  # 输入数据节点名称
    ['output'],  # 输出数据节点名称
    name='add_node'  # 操作节点名称
)

graph.node.append(node)  # 添加节点到图中

在上面的代码中，我们使用make_node()函数创建了一个加法节点。该节点将两个输入节点与名称“input”相加，并将结果输出到名称为“output”的节点中。我们还可以为该节点指定一个名称为“add_node”的标签。

最后，我们可以将图保存为ONNX模型：

model = helper.make_model(graph)  # 创建ONNX模型
onnx.checker.check_model(model)  # 检查模型是否有效
onnx.save_model(model, 'example_model.onnx')  # 保存模型

在上面的代码中，我们使用make_model()函数创建了一个包含我们创建的图的ONNX模型。之后，我们使用checker.check_model()函数来检查模型是否有效，并使用save_model()函数将模型保存到名为“example_model.onnx”的文件中。

上面的代码示例演示了如何从头开始生成一个简单的ONNX图，并将其保存为ONNX模型。这只是一个简单的例子，你可以根据自己的需求来扩展和修改图的结构和内容。