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 Erf 结点进行分析

方式

方法一：pytorch --> onnx

暂缓，主要研究方式二

方法二： onnx

import onnx
from onnx import helper
from onnx import TensorProto

# 创建一个空的ONNX图
graph = helper.make_graph(nodes=[], name='Erf_Graph', inputs=[], outputs=[])

# 创建Erf节点的输入参数
input_data = helper.make_tensor_value_info('input_data', TensorProto.FLOAT, [3, 4])  # 输入数据张量的形状为[3, 4]

graph.input.extend([input_data])

# 创建Erf节点
erf_node = helper.make_node('Erf', ['input_data'], ['output'], name='Erf_Node')  # 创建一个Erf节点

# 添加Erf节点到图中
graph.node.extend([erf_node])

# 创建Erf节点的输出参数
output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [3, 4])  # 输出张量形状与输入相同
graph.output.extend([output])

# 创建ONNX模型
model = helper.make_model(graph, producer_name='ONNX_Erf_Example')

# 保存ONNX模型到文件
onnx.save(model, 'erf_model.onnx')