4.24 构建onnx结构模型-Slice

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 Slice 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='Slice_Graph', inputs=[], outputs=[])

# 创建Slice节点的输入参数
input_data = helper.make_tensor_value_info('input_data', TensorProto.FLOAT, [3, 4, 5])  # 输入数据张量的形状为[3, 4, 5]
starts = helper.make_tensor('starts', TensorProto.INT64, [3], [0, 1, 2])  # 切片起始位置
ends = helper.make_tensor('ends', TensorProto.INT64, [3], [2, 3, 4])  # 切片结束位置

graph.input.extend([input_data])
graph.initializer.extend([starts, ends])

# 创建Slice节点
slice_node = helper.make_node('Slice', ['input_data', 'starts', 'ends'], ['output'], name='Slice_Node')

# 添加Slice节点到图中
graph.node.extend([slice_node])

# 创建Slice节点的输出参数
output = helper.make_tensor_value_info('output', TensorProto.FLOAT, [2, 2, 2])  # 输出张量形状为[2, 2, 2]，表示切片后的子张量形状
graph.output.extend([output])

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

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