如何建造一個 ONNX Graph

我們可以依照 ONNX 定義的 protobuf 檔案來建立一個計算圖。建立的方法會由葉節點，連接葉節點作為運算元輸入的中間節點，最後到根節點。

葉節點：代表的是運算元節點的輸入。可以依據


    ValueInfoProto

protobuf 定義建立輸入和輸出。使用者呼叫


    helper.make_tensor_value_info

函式，並依序傳入名稱，資料型態，和一個 list，list 裡的每一個元素都表示一個維度。原始碼如下：

# 建立輸入 (ValueInfoProto)
X = helper.make_tensor_value_info('X', TensorProto.FLOAT, [1, 2])
# 建立輸出 (ValueInfoProto)
Y = helper.make_tensor_value_info('Y', TensorProto.FLOAT, [1, 4])
print(X)
#=>name: "X"
#type {
#  tensor_type {
#    elem_type: 1
#    shape {
#      dim {
#        dim_value: 1
#      }
#      dim {
#        dim_value: 2
#      }
#    }
中間節點：根據 onnx 的 NodeProto protobuf 定義，使用者可以呼叫 helper.make_node函式，並依序傳入 op_type，輸入，輸出和額外的屬性。在 NodeProto 的定義上，name 和 op_type 都是用來當作節點的 id ，只不過 name 是用在計算圖中，而 op_type 則是在執行檔中可讓 IR 辨識的符號。有關 NodeProto 的幾個重要欄位，可以見下表：
AttributeType 定義在 AttributeProto 內的一個 enum list。定義的型別總共有 13 種，除了上列的 10 種外，還包括了 UNDEFINED  （未定義），SPARSE_TENSOR 和 SPARSE_TENSORS（稀疏張量和稀疏張量陣列）。原始碼如下：
#建立一個節點(NodeProto)
node_def = helper.make_node(
    'Pad', # op_type
    ['X'], # 輸入
    ['Y'], # 輸出
    # 額外的屬性
    mode='constant', #名為 mode 的屬性，資料型別（AttributeType）為 STRING
    value=1.5, #名為 value 的屬性，資料型別（AttributeType）為 FLOAT
    pads=[0, 1, 0, 1], #名為 pads 的屬性，資料型別（AttributeType）為 INTS 
print(node_def)
# => input: "X"
#output: "Y"
#op_type: "Pad"
#attribute {
#  name: "mode"
#  s: "constant"
#  type: STRING
#attribute {
#  name: "pads"
#  ints: 0
#  ints: 1
#  ints: 0
#  ints: 1
#  type: INTS
#attribute {
#  name: "value"
#  f: 1.5
#  type: FLOAT
依據 GraphProto protobuf 建立計算圖，使用者可以呼叫 helper.make_graph 函式並依序傳入，一個  內裝一到多個 NodeProto 物件的 python list，名稱，一個內裝一到多個輸入的 python list 和一個內裝一到多個輸出的 python list。關於 GraphProto 的部分欄位定義如下：
如何做型別與維度臆測
在執行期間做維度臆測：在下面的原始碼中，我們將會建構一個簡單的 ModelProto 物件，使用 onnx.shape_inference 模組函式 infer_shapes 來做輸出張量的維度臆測。這次建立的計算圖，會用 make_node 建立兩個運算元 Transpose 的計算節點，關鍵值引數 perm 則是第一個輸入張量 Transpose 的維度。在計算圖中的輸入 X 和最終的輸出 Z 都在建立圖時用 make_tensor_value_info 方法來建立，所以無需做維度臆測。然而中繼變數 Y，則可以透過計算而得知，或由 X 和 Z 的維度進行臆測。下面的程式碼，即是使用後者：
from onnx import shape_inference
from onnx import TensorProto
# 前處理，建立兩個計算節點，其中 Y 的維度是未知的
node1 = helper.make_node('Transpose', ['X'], ['Y'], perm=[1, 0, 2])
node2 = helper.make_node('Transpose', ['Y'], ['Z'], perm=[1, 0, 2])
graph = helper.make_graph(
    [node1, node2],
    'two-transposes',
    [helper.make_tensor_value_info('X', TensorProto.FLOAT, (2, 3, 4))],
    [helper.make_tensor_value_info('Z', TensorProto.FLOAT, (2, 3, 4))],
original_model = helper.make_model(graph, producer_name='onnx-examples')
# 尚未應用維度臆測前，Ｙ 的維度是未知
print('Before shape inference, the shape info of Y is:\n{}'.format(original_model.graph.value_info))
# => Before shape inference, the shape info of Y is:
inferred_model = shape_inference.infer_shapes(original_model)
# 未應用維度臆測後，Ｙ 的維度可被推測
print('After shape inference, the shape info of Y is:\n{}'.format(inferred_model.graph.value_info))
# => After shape inference, the shape info of Y is:
#[name: "Y"
#type {
#  tensor_type {
#    elem_type: 1
#    shape {
#      dim {
#        dim_value: 3
#      }
#      dim {
#        dim_value: 2
#      }
#      dim {
#        dim_value: 4
#      }
#    }