Protos¶

这些结构使用 protobuf 在文件 onnx/*.proto 中定义。建议使用模块 onnx.helper 中的函数来创建它们，而不是直接实例化。每个结构都可以使用函数 print 打印，并渲染为 JSON 字符串。

AttributeProto¶

此类用于定义一个由 NodeProto 定义的算子属性。它是一个命名属性，包含单个浮点数、整数、字符串、图和张量值，或重复的浮点数、整数、字符串、图和张量值。AttributeProto 必须包含 name 字段，并且只能包含以下内容字段中的一个，有效地强制实现了 C/C++ union 的等价功能。

class onnx.AttributeProto¶

FunctionProto¶

这定义了一个函数。它不是模型，但可用于定义模型中使用的自定义算子。

class onnx.FunctionProto¶

GraphProto¶

这定义了一个图，或例如从循环或测试中调用的一组节点。图定义了模型的计算逻辑，由基于输入和输出形成有向无环图的参数化节点列表组成。这等同于许多深度学习框架中的网络或图。

class onnx.GraphProto¶

MapProto¶

这定义了一个映射或字典。它指定了一个由键和值定义的关联表。MapProto 由重复的键字段（类型为 INT8、INT16、INT32、INT64、UINT8、UINT16、UINT32、UINT64 或 STRING）和值字段（类型为 TENSOR、SPARSE_TENSOR、SEQUENCE 或 MAP）组成。在 MapProto 的整个实例化过程中，键类型和值类型必须保持一致。

class onnx.MapProto¶

ModelProto¶

这定义了一个模型。这是每个转换库在转换机器学习模型后返回的类型。ModelProto 是一种顶级文件/容器格式，用于捆绑 ML 模型并将其计算图与元数据相关联。模型的语义由关联的 GraphProto 描述。

class onnx.ModelProto¶

NodeProto¶

这定义了一个算子。模型是数学函数的组合，每个函数都表示为 ONNX 算子，存储在 NodeProto 中。计算图由节点的有向无环图（DAG）组成，这些节点代表了机器学习框架中通常称为层或管线阶段的内容。例如，它可以是一个 Conv 类型的节点，接收图像、滤波器张量和偏置张量作为输入，并产生卷积输出。

class onnx.NodeProto¶

OperatorProto¶

此类用户很少使用。OperatorProto 表示算子签名和语义的不可变规范。算子被声明为 OperatorSet 的一部分，OperatorSet 也定义了该集合的域名称。算子由一个三部分标识符（域、op_type、since_version）唯一标识，其中

domain 是包含此算子规范的算子集合的域。
op_type 是 NodeProto.op_type 引用的算子名称
since_version 是首次声明此算子的算子集合版本。

class onnx.OperatorProto¶

OperatorSetIdProto¶

这是 ModelProto 类中属性 opset_import 的类型。此属性指定模型中使用的算子版本。每个算子或节点都属于一个域。同一域的所有算子共享相同的版本。

class onnx.OperatorSetIdProto¶

OperatorSetProto¶

OperatorSetProto 表示一组不可变的算子规范集合。该集合的域 (OperatorSetProto.domain) 是一个反向 DNS 名称，用于区分独立实体定义的算子集。该集合的版本 (opset_version) 是一个单调递增的整数，表示算子集成员资格的变化。算子集由一个两部分标识符（域，opset_version）唯一标识。与 ModelProto 类似，OperatorSetProto 旨在作为顶级文件/线格式，因此除了算子集信息外，还包含标准格式头。

class onnx.OperatorSetProto¶

OptionalProto¶

模型的某些输入或输出是可选的。在这种情况下必须使用此类。OptionalProto 类的一个实例可以包含或不包含 TensorProto、SparseTensorProto、SequenceProto、MapProto 和 OptionalProto 类型的实例。

class onnx.OptionalProto¶

SequenceProto¶

这定义了一个密集、有序、由同质类型元素组成的集合。序列可以由张量、映射或序列组成。如果序列由张量组成，则张量必须具有相同的元素类型（即 int32）。在某些情况下，序列中的张量可以具有不同的形状。张量是否可以具有不同的形状取决于与相应 ValueInfo 关联的类型/形状。例如，Sequence<Tensor<float, [M,N]>> 意味着所有张量都具有相同的形状。然而，Sequence<Tensor<float, [omitted,omitted]>> 意味着它们可以具有不同的形状（均为 rank 2），其中omitted表示相应维度没有符号/常量值。最后，Sequence<Tensor<float, omitted>> 意味着不同的张量可以具有不同的秩，前提是张量类型本身省略了shape。更完整的描述请参考静态张量形状。

class onnx.SequenceProto¶

SparseTensorProto¶

这定义了一个稀疏张量。非默认值的序列被编码为一个形状为 [NNZ] 的张量。数值张量的默认值为零，字符串张量的默认值为控字符串。values 必须存在非空名称，该名称在 sparse_initializer 列表中用作 SparseTensorProto 的名称。

class onnx.SparseTensorProto¶

StringStringEntryProto¶

这等同于一对字符串。它用于在 ModelProto 中存储元数据。

class onnx.StringStringEntryProto¶

TensorProto¶

这定义了一个张量。张量由形状（见 ShapeProto）、元素类型（见 TypeProto）和元素本身完全描述。所有可用类型列在 l-mod-onnx-mapping 中。

class onnx.TensorProto¶

class Segment¶

TensorShapeProto¶

这定义了张量或稀疏张量的形状。它是一个维度列表。维度可以是整数值或符号变量。符号变量表示未知维度。

class onnx.TensorShapeProto¶

class Dimension¶

TrainingInfoProto¶

TrainingInfoProto 存储用于训练模型的信息。特别是，它定义了两个功能：初始化步骤和训练算法步骤。初始化将模型重置回其原始状态，如同未进行训练一样。训练算法基于输入数据改进模型。初始化步骤的语义是，首先按照图中 initializers 的指定初始化 ModelProto.graph 和 TrainingInfoProto.algorithm 中的 initializers，然后由 ModelProto.training_info 中每个实例的initialization_binding进行更新。字段algorithm定义了一个计算图，表示训练算法的一个步骤。执行 TrainingInfoProto.algorithm 后，由update_binding指定的 initializers 可能会立即更新。如果目标训练算法包含连续的更新步骤（例如块坐标下降法），用户需要为每个步骤创建一个 TrainingInfoProto。

class onnx.TrainingInfoProto¶

TypeProto¶

这定义了张量的类型，它由元素类型和形状（ShapeProto）组成。

class onnx.TypeProto¶

class Map¶

class Opaque¶

class Optional¶

class Sequence¶

class SparseTensor¶

class Tensor¶

ValueInfoProto¶

这定义了 GraphProto 的输入或输出类型。它包含名称、类型 (TypeProto) 和文档字符串。

class onnx.ValueInfoProto¶