前言

构建onnx方式通常有两种：
1、通过代码转换成onnx结构，比如pytorch —> onnx
2、通过onnx 自定义结点，图，生成onnx结构

本文主要是简单学习和使用两种不同onnx结构，
下面以 TopK 结点进行分析

方式

方法一：pytorch --> onnx

import torch
import onnx
import onnx.utils
from onnx import helper, TensorProto

# 创建一个简单的PyTorch模型
class TopKModel(torch.nn.Module):
    def __init__(self, k):
        super(TopKModel, self).__init__()
        self.k = k

    def forward(self, x):
        values, indices = torch.topk(x, self.k)
        return values, indices

# 导出PyTorch模型为ONNX格式
model = TopKModel(k=3)
x = torch.randn(1, 5)
torch.onnx.export(model, x, "topk_model_pytorch.onnx", input_names=["input"], output_names=["values", "indices"])

方法二： onnx

import torch
import onnx
import onnx.utils
from onnx import helper, TensorProto

# 创建TopK ONNX node
topk_node = onnx.helper.make_node(
    'TopK',
    inputs=['input'],
    outputs=['values', 'indices'],
    k=3
)

# 创建ONNX图
graph = helper.make_graph(
    [topk_node],
    name="topk_graph",
    inputs=[helper.make_tensor_value_info('input', TensorProto.FLOAT, [1, 5])],
    outputs=[
        helper.make_tensor_value_info('values', TensorProto.FLOAT, [1, 3]),
        helper.make_tensor_value_info('indices', TensorProto.INT64, [1, 3])
    ]
)

# 创建ONNX模型
model = helper.make_model(graph, producer_name='onnx-topk-example')

# 保存ONNX模型
onnx.save(model, 'topk_model.onnx')