使用onnx.numpy_helperfrom_array()在Python中生成随机数据的示例代码

onnx.numpy_helper.from_array()函数是onnx包中的一个方法，它可以将NumPy数组转换为onnx.TensorProto对象，以便在导出模型时使用。下面是一个示例代码：

import numpy as np
import onnx
from onnx import numpy_helper

# 生成随机数据
shape = (2, 3, 4)  # （batch_size, channels, height, width）
data = np.random.randn(*shape).astype(np.float32)

# 将NumPy数组转换为onnx.TensorProto对象
tensor_proto = numpy_helper.from_array(data)

# 打印输出onnx.TensorProto对象的信息
print(tensor_proto)

在上面的代码中，首先我们定义了一个shape变量，表示生成的随机数据的维度。然后，我们使用np.random.randn()方法生成随机数据，并将其转换为float32类型的NumPy数组。

接下来，我们调用numpy_helper.from_array()方法，将NumPy数组转换为onnx.TensorProto对象。这个方法将返回一个表示数据的onnx.TensorProto对象。

最后，我们打印输出了onnx.TensorProto对象的信息，可以看到数据的维度、数据类型等信息。

使用例子：

假设我们要将生成的随机数据保存到ONNX模型中，可以使用以下代码：

import numpy as np
import onnx
from onnx import numpy_helper

# 生成随机数据
shape = (2, 3, 4)  # （batch_size, channels, height, width）
data = np.random.randn(*shape).astype(np.float32)

# 将NumPy数组转换为onnx.TensorProto对象
tensor_proto = numpy_helper.from_array(data)

# 创建一个新的ONNX模型
model = onnx.ModelProto()
graph = model.graph

# 创建一个新的输入节点
input_node = onnx.helper.make_node(
    'Input',
    inputs=[],
    outputs=['input'],
    shape=shape,
    elem_type=onnx.TensorProto.FLOAT
)
graph.node.append(input_node)

# 创建一个新的常量节点，表示随机数据
const_node = onnx.helper.make_node(
    'Constant',
    inputs=[],
    outputs=['random_data'],
    value=tensor_proto,
    shape=shape
)
graph.node.append(const_node)

# 将随机数据作为模型的输出
output_node = onnx.helper.make_node(
    'Output',
    inputs=['random_data'],
    outputs=[],
)
graph.node.append(output_node)

# 保存模型
onnx.save_model(model, 'random_data_model.onnx')

在上面的代码中，我们首先创建一个新的ONNX模型，然后创建一个输入节点，表示模型的输入数据。然后，我们使用numpy_helper.from_array()方法将生成的随机数据转换为onnx.TensorProto对象，并创建一个常量节点来表示这个随机数据。最后，我们将随机数据作为模型的输出，创建一个输出节点。最后，我们使用onnx.save_model()方法保存模型到文件中。