跳转至

13.2 ONNX模型文件

13.2 ONNX模型文件⚓︎

ONNX的全称是开放式神经网络交换（Open Neural Network Exchange），我们已经在前面的快问快答中，对它进行了介绍。既然它是一种开放的模型文件标准格式，那么我们将尝试把前面实现的多入多出三层神经网络保存为ONNX模型文件，以方便在不同的框架中都可以使用。

13.2.1 ONNX模型文件的结构⚓︎

ONNX是一个开放式的规范，定义了可扩展的计算图模型、标准数据类型以及内置的运算符。该文件在存储结构上可以理解为是一种层级的结构，图13-8描述了ONNX模型文件的简化结构。

图13-8 ONNX模型文件的简化结构

最顶层结构是模型（Model），模型记录了该模型文件的基本属性，如使用的ONNX标准的版本、使用的运算符集版本、制造商的名字和版本等信息，除此以外，模型中记录着最主要的信息是图（Graph）。

图（Graph）可以理解为是计算图的一种描述，是由输入、输出以及节点（Node）组成的（图13-8中省略了输入与输出），它们之间通过寻找相同的名字实现连接，也就是说，相同名字的变量会被认为是同一个变量，如果一个节点的输出名字和另一个节点的输入名字相同，这两个节点会被认为是连接在一起的。

节点（Node）就是要调用的运算符，多个节点（Node）以列表的形式在图（Graph）中存储。ONNX支持的运算符类型可以在ONNX官方文档中查看。

13.2.2 创建ONNX节点⚓︎

ONNX采用了Protobuf（Google Protocol Buffer）格式进行存储，这种格式是是一种轻便高效的结构化数据存储格式，可以用于结构化数据序列化，很适合做数据存储或数据交换格式。

Protobuf在使用时需要先在proto文件中定义数据格式，然后构造相关的对象。Python中的onnx库已经提供了创建ONNX的帮助类，使用起来很方便。

下面演示下用make_node API创建一个全连接层节点。注意，由于ONNX的运算符中没有全连接运算符，所以这里用矩阵乘和矩阵加来组成一个全连接层。

首先是矩阵乘，矩阵乘是输入和权重矩阵进行运算，权重矩阵也需要定义一个节点，如下代码用训练好的权重矩阵数据创建了一个常量节点，并添加到节点列表中。其中，对应的输出为fc_weights。

weights_node = helper.make_node(
    op_type = "Constant", 
    inputs = [], 
    outputs = ["fc_weights"], 
    value = helper.make_tensor("fc_weights", TensorProto.FLOAT, weights.shape, weights.flatten().astype(float))
  )
node_list.append(weights_node)

然后创建对应的矩阵乘节点，也添加到节点列表中。其中，输入中的fc_weights就是权重矩阵节点的输出，当前矩阵乘节点的输出为matmul_output。

matmul_node = helper.make_node(
    op_type = "MatMul",
    inputs = ["input_name", "fc_weights"],
    outputs = ["matmul_output"]
  )
node_list.append(matmul_node)

然后创建矩阵加节点，该节点需要使用偏置矩阵，同样需要先创建偏置矩阵的节点，下面的代码用训练好的偏置矩阵数据创建了一个常量节点，并添加到节点列表中。其中，对应的输出为fc_bias。

bias_node = helper.make_node(
    op_type = "Constant", 
    inputs = [], 
    outputs = ["fc_bias"], 
    value=helper.make_tensor("fc_bias", TensorProto.FLOAT, bias.shape, bias.flatten().astype(float))
  )
node_list.append(bias_node)

然后创建对应的矩阵加节点，也添加到节点列表中。其中，输入中的matmul_output是前面矩阵乘节点的输出，fc_bias是偏置矩阵节点的输出，当前矩阵加节点的输出为add_output。

matmul_node = helper.make_node(
    op_type = "Add",
    inputs = ["matmul_output", "fc_bias"],
    outputs = ["add_output"]
  )
node_list.append(matmul_node)

这样节点列表中的各节点就创建好了，并且按照输入输出的名字进行了连接，组成了我们需要的全连接层。

13.2.3 创建ONNX文件⚓︎

根据图13-8中的结构，有了节点列表后，就可以创建对应的图（Graph），最终创建出模型（Model），以下就是使用onnx帮助类创建图和模型，并保存在文件中的代码。

graph_proto = helper.make_graph(node_list, "test", input_list, output_list)
model_def = helper.make_model(graph_proto, producer_name="test_onnx")
onnx.save(model_def, output_path)

13.2.4 保存多入多出三层神经网络⚓︎

前面章节中，我们训练了多入多出的三层神经网络来完成MNIST数据集的识别数字任务，现在就可以动手把训练好的网络保存为ONNX格式的模型文件。

这个网络中的三层分别是全连接+Sigmoid、全连接+Tanh、全连接+Softmax，前面已经介绍了如何构造全连接层节点，剩下的就是激活层的构造。其实这些激活函数已经是ONNX内置的运算符，所以对应的节点非常容易构造，对应的代码如下。

if node["type"] in ["Relu", "Softmax", "Sigmoid", "Tanh"]:
  activate_node = helper.make_node(
      node["type"],
      [node["input_name"]],
      [node["output_name"]]
    )
  node_list.append(activate_node)

之前训练时，训练好的权重和偏置分别存储在独立的npz文件中，这里可以重新读取出来，另存为到ONNX文件中。具体的实现这里不再展示，可以到代码目录中获取完整代码并运行，运行之后可以得到mnist.onnx文件，在后面我们将用这个模型文件进行推理。

使用开源工具Netron打开模型文件，可以看到模型结构满足我们的预期。如图13-9所示。

图13-9 多入多出的三层神经网络

代码位置

ch13, Level3