大于2GB模型onnxsim优化很耗时，容易挂掉，而且需要特别大的系统内存。

这里提出一种比较简单的优化大于2GB ONNX模型的方法：

基本思路是

把卷积和矩阵乘的权重（参数量大于某个阈值）替换为ConstantOfShape，从而显著缩小模型大小。

利用onnxsim特性避免折叠（参数量大于某个阈值）ConstantOfShape算子。

对压缩后的模型进行优化和常量折叠后，再删除ConstantOfShape算子，替换为原来的权重。

需要onnxsim>=0.4.24

避免常量折叠产生大tensor的tile和ConstantOfShape算子的onnxsim命令:

onnxsim --no-large-tensor size_th in_model.onnx out_model.onnx

size_th类似为1KB, 1MB等

ConstantOfShape算子

创建一个ConstantOfShape算子

const_shape = (512, 512)
const_shape_init = onnx.helper.make_tensor(name="const_shape", data_type=onnx.TensorProto.INT64, dims=[
                                           2], vals=const_shape, raw=False)

tensor_value_attr = onnx.helper.make_tensor("value", onnx.TensorProto.FLOAT, dims=[1], vals=[1])
constantofshape_node = onnx.helper.make_node(op_type="ConstantOfShape",
                                             inputs=["const_shape"],
                                             outputs=["input2"],
                                             value=tensor_value_attr)