onnx.helper

find_min_ir_version_for(opsetidlist[, ...])	给定运算符集ID列表，确定所需的最小IR版本。
get_all_tensor_dtypes()	从TensorProto获取所有张量类型。
get_attribute_value(attr)
get_node_attr_value(node, attr_name)
set_metadata_props(proto, dict_value)
set_model_props(model, dict_value)
float32_to_bfloat16(fval[, truncate])
float32_to_float8e4m3(fval[, scale, fn, uz, ...])	将float32值转换为float8，e4m3（作为int）。
float32_to_float8e5m2(fval[, scale, fn, uz, ...])	将float32值转换为float8，e5m2（作为int）。
make_attribute(key, value[, doc_string, ...])	基于值类型创建AttributeProto。
make_attribute_ref(name, attr_type[, doc_string])	创建包含对父函数指定名称和类型的属性的引用的AttributeProto。
make_empty_tensor_value_info(name)
make_function(domain, fname, inputs, ...[, ...])
make_graph(nodes, name, inputs, outputs[, ...])	构造GraphProto
make_map(name, key_type, keys, values)	使用指定的键值对参数创建Map。
make_map_type_proto(key_type, value_type)	创建Map TypeProto。
make_model(graph, **kwargs)	构造ModelProto
make_node(op_type, inputs, outputs[, name, ...])	构造NodeProto。
make_operatorsetid(domain, version)	构造OperatorSetIdProto。
make_opsetid(domain, version)	构造OperatorSetIdProto。
make_model_gen_version(graph, **kwargs)
make_optional(name, elem_type, value)	使用指定的value参数创建Optional。
make_optional_type_proto(inner_type_proto)	创建Optional TypeProto。
make_sequence(name, elem_type, values)	使用指定的value参数创建Sequence。
make_sequence_type_proto(inner_type_proto)	创建Sequence TypeProto。
make_sparse_tensor(values, indices, dims)	构造SparseTensorProto
make_sparse_tensor_type_proto(elem_type, shape)	基于数据类型和形状创建SparseTensor TypeProto。
make_sparse_tensor_value_info(name, ...[, ...])	基于数据类型和形状创建SparseTensor ValueInfoProto。
make_tensor(name, data_type, dims, vals[, raw])	使用指定的参数创建TensorProto。
make_tensor_sequence_value_info(name, ...[, ...])	基于数据类型和形状创建Sequence[Tensors] ValueInfoProto。
make_tensor_type_proto(elem_type, shape[, ...])	基于数据类型和形状创建Tensor TypeProto。
make_training_info(algorithm, ...)
make_tensor_value_info(name, elem_type, shape)	基于数据类型和形状创建ValueInfoProto。
make_value_info(name, type_proto[, doc_string])	使用给定的type_proto创建ValueInfoProto。
np_dtype_to_tensor_dtype(np_dtype)	将NumPy的dtype转换为相应的张量类型。
printable_attribute(attr[, subgraphs])
printable_dim(dim)
printable_graph(graph[, prefix])	将GraphProto显示为字符串。
printable_node(node[, prefix, subgraphs])
printable_tensor_proto(t)
printable_type(t)
printable_value_info(v)
split_complex_to_pairs(ca)
create_op_set_id_version_map(table)	从上表创建从(opset-domain, opset-version)到ir-version的映射。
strip_doc_string(proto)	清空任何嵌套protobuf消息中的doc_string字段
pack_float32_to_4bit(array, signed)	将float32值的数组转换为4位数据类型，并将每两个连续的元素打包到一个字节中。
tensor_dtype_to_np_dtype(tensor_dtype)	将 TensorProto 的数据类型转换为对应的 NumPy 数据类型。
tensor_dtype_to_storage_tensor_dtype(...)	将 TensorProto 的数据类型转换为对应的存储数据类型。
tensor_dtype_to_string(tensor_dtype)	获取给定 TensorProto 数据类型的名称。
tensor_dtype_to_field(tensor_dtype)	将 TensorProto 的数据类型转换为对应的存储字段名称。

getter

onnx.helper.get_attribute_value(attr: AttributeProto) → Any

onnx.helper.get_node_attr_value(node: NodeProto, attr_name: str) → Any

setter

onnx.helper.set_metadata_props(proto: ModelProto | GraphProto | FunctionProto | NodeProto | TensorProto | ValueInfoProto, dict_value: dict[str, str]) → None

onnx.helper.set_model_props(model: ModelProto, dict_value: dict[str, str]) → None

print

onnx.helper.printable_attribute(attr: AttributeProto, subgraphs: bool = False) → str | tuple[str, list[GraphProto]]

onnx.helper.printable_dim(dim: Dimension) → str

onnx.helper.printable_graph(graph: GraphProto, prefix: str = '') → str

将GraphProto显示为字符串。

参数：

• graph (GraphProto) – 要显示的图

• prefix (字符串) – 每行的前缀

返回值：

字符串

onnx.helper.printable_node(node: NodeProto, prefix: str = '', subgraphs: bool = False) → str | tuple[str, list[GraphProto]]

onnx.helper.printable_tensor_proto(t: TensorProto) → str

onnx.helper.printable_type(t: TypeProto) → str

onnx.helper.printable_value_info(v: ValueInfoProto) → str

工具

onnx.helper.find_min_ir_version_for(opsetidlist: Sequence[OperatorSetIdProto], ignore_unknown: bool = False) → int

给定运算符集ID列表，确定所需的最小IR版本。

参数：

• opsetidlist – OperatorSetIdProto 的序列。

• ignore_unknown – 如果为 True，则忽略未知域并返回该域的默认最小版本。

返回值：

所需的最小 IR 版本（整数）

onnx.helper.split_complex_to_pairs(ca: Sequence[complex64]) → Sequence[int]

onnx.helper.create_op_set_id_version_map(table: List[Tuple[str, int, int, int] | Tuple[str, int, int, int, int]]) → Dict[Tuple[str, int], int]

从上表创建从(opset-domain, opset-version)到ir-version的映射。

onnx.helper.strip_doc_string(proto: Message) → None

清空任何嵌套protobuf消息中的doc_string字段

onnx.helper.pack_float32_to_4bit(array: ndarray | Sequence, signed: bool) → ndarray

将一个 float32 值的数组转换为 4 位数据类型，并将每两个连续的元素打包到一个字节中。有关技术细节，请参见4 位整数类型。

参数：

• array – 要转换和打包的浮点数数组

• signed – 4 位变体是带符号的还是无符号的

返回值：

打包后的数组大小为 ceil(farray.size/2)（一维）。

创建函数

所有用于创建 ONNX 图的函数。

onnx.helper.make_attribute(key: str, value: Any, doc_string: str | None = None, attr_type: int | None = None) → AttributeProto

基于值类型创建AttributeProto。

onnx.helper.make_attribute_ref(name: str, attr_type: AttributeProto.AttributeType, doc_string: str | None = None) → AttributeProto

创建一个 AttributeProto，它持有对父函数给定名称和类型的属性的引用。

onnx.helper.make_empty_tensor_value_info(name: str) → ValueInfoProto

onnx.helper.make_function(domain: str, fname: str, inputs: Sequence[str], outputs: Sequence[str], nodes: Sequence[NodeProto], opset_imports: Sequence[OperatorSetIdProto], attributes: Sequence[str] | None = None, attribute_protos: Sequence[AttributeProto] | None = None, doc_string: str | None = None, overload: str | None = None, value_info: Sequence[ValueInfoProto] | None = None) → FunctionProto

onnx.helper.make_graph(nodes: Sequence[NodeProto], name: str, inputs: Sequence[ValueInfoProto], outputs: Sequence[ValueInfoProto], initializer: Sequence[TensorProto] | None = None, doc_string: str | None = None, value_info: Sequence[ValueInfoProto] | None = None, sparse_initializer: Sequence[SparseTensorProto] | None = None) → GraphProto

构造GraphProto

参数：

• **节点** – NodeProto 列表

• **名称** (字符串) – 图名称

• **输入** – ValueInfoProto 列表

• **输出** – ValueInfoProto 列表

• **初始化器** – TensorProto 列表

• **文档字符串** (字符串) – 图文档

• **值信息** – ValueInfoProto 列表

• **稀疏初始化器** – SparseTensorProto 列表

返回值：

GraphProto

onnx.helper.make_map(name: str, key_type: int, keys: list[Any], values: SequenceProto) → MapProto

使用指定的键值对参数创建Map。

转换标准：- 键和值必须具有相同数量的元素 - keys 中的每个键必须具有相同的类型 - values 中的每个值必须具有相同的类型

onnx.helper.make_map_type_proto(key_type: int, value_type: TypeProto) → TypeProto

创建Map TypeProto。

onnx.helper.make_model(graph: GraphProto, **kwargs: Any) → ModelProto

构造ModelProto

参数：

• **图** (GraphProto) – make_graph 返回值

• **kwargs** – 要添加到返回值实例的任何属性

返回值：

ModelProto

onnx.helper.make_node(op_type: str, inputs: Sequence[str], outputs: Sequence[str], name: str | None = None, doc_string: str | None = None, domain: str | None = None, overload: str | None = None, **kwargs: Any) → NodeProto

构造NodeProto。

参数：

• **op_type** (字符串) – 要构造的操作符的名称

• **inputs** (列表 的 字符串) – 输入名称列表

• **outputs** (列表 的 字符串) – 输出名称列表

• **name** (字符串, 默认 None) – NodeProto 的可选唯一标识符

• **doc_string** (字符串, 默认 None) – NodeProto 的可选文档字符串

• **domain** (字符串, 默认 None) – NodeProto 的可选域。如果为 None，我们将只使用默认域（为空）

• **overload** (字符串, 默认 None) – 可选字段，用于解析对模型本地函数的调用

• **kwargs** (字典) – 节点的属性。可接受的值在 make_attribute() 中有说明。

返回值：

NodeProto

onnx.helper.make_operatorsetid(domain: str, version: int) → OperatorSetIdProto

构造OperatorSetIdProto。

参数：

• **domain** (字符串) – 操作符集 ID 的域

• **version** (整数) – 操作符集 ID 的版本

返回值：

OperatorSetIdProto

onnx.helper.make_opsetid(domain: str, version: int) → OperatorSetIdProto

构造OperatorSetIdProto。

参数：

• **domain** (字符串) – 操作符集 ID 的域

• **version** (整数) – 操作符集 ID 的版本

返回值：

OperatorSetIdProto

onnx.helper.make_model_gen_version(graph: GraphProto, **kwargs: Any) → ModelProto

onnx.helper.make_optional(name: str, elem_type: OptionalProto.DataType, value: google.protobuf.message.Message | None) → OptionalProto

使用指定的value参数创建Optional。

onnx.helper.make_optional_type_proto(inner_type_proto: TypeProto) → TypeProto

创建Optional TypeProto。

onnx.helper.make_sequence(name: str, elem_type: SequenceProto.DataType, values: Sequence[Any]) → SequenceProto

使用指定的value参数创建Sequence。

onnx.helper.make_sequence_type_proto(inner_type_proto: TypeProto) → TypeProto

创建Sequence TypeProto。

onnx.helper.make_sparse_tensor(values: TensorProto, indices: TensorProto, dims: Sequence[int]) → SparseTensorProto

构造SparseTensorProto

参数：

• **values** (TensorProto) – 值

• **indices** (TensorProto) – 索引

• **dims** – 形状

返回值：

SparseTensorProto

onnx.helper.make_sparse_tensor_type_proto(elem_type: int, shape: Sequence[str | int | None] | None, shape_denotation: list[str] | None = None) → TypeProto

基于数据类型和形状创建SparseTensor TypeProto。

onnx.helper.make_sparse_tensor_value_info(name: str, elem_type: int, shape: Sequence[str | int | None] | None, doc_string: str = '', shape_denotation: list[str] | None = None) → ValueInfoProto

基于数据类型和形状创建SparseTensor ValueInfoProto。

onnx.helper.make_tensor(name: str, data_type: int, dims: Sequence[int], vals: Any, raw: bool = False) → TensorProto

使用指定参数创建 TensorProto。如果 raw 为 False，则此函数将根据 data_type 选择相应的 proto 字段来存储值。如果 raw 为 True，则使用“raw_data” proto 字段存储值，在这种情况下，值应为字节类型。

参数：

• name (string) – 张量名称

• data_type (int) – 例如 onnx.TensorProto.FLOAT 的值

• dims (List[int]) – 形状

• vals – 值

• raw (bool) – 如果为 True，则 vals 包含张量的序列化内容，否则，vals 应为由 data_type 定义的类型的值的列表

返回值：

TensorProto

onnx.helper.make_tensor_sequence_value_info(name: str, elem_type: int, shape: Sequence[str | int | None] | None, doc_string: str = '', elem_shape_denotation: list[str] | None = None) → ValueInfoProto

基于数据类型和形状创建Sequence[Tensors] ValueInfoProto。

onnx.helper.make_tensor_type_proto(elem_type: int, shape: Sequence[str | int | None] | None, shape_denotation: list[str] | None = None) → TypeProto

基于数据类型和形状创建Tensor TypeProto。

onnx.helper.make_training_info(algorithm: GraphProto, algorithm_bindings: List[Tuple[str, str]], initialization: GraphProto | None, initialization_bindings: List[Tuple[str, str]] | None) → TrainingInfoProto

onnx.helper.make_tensor_value_info(name: str, elem_type: int, shape: Sequence[str | int | None] | None, doc_string: str = '', shape_denotation: list[str] | None = None) → ValueInfoProto

基于数据类型和形状创建ValueInfoProto。

onnx.helper.make_value_info(name: str, type_proto: TypeProto, doc_string: str = '') → ValueInfoProto

使用给定的type_proto创建ValueInfoProto。

类型映射

onnx.helper.get_all_tensor_dtypes() → KeysView[int]

从TensorProto获取所有张量类型。

返回值：

TensorProto 中的所有张量类型

onnx.helper.np_dtype_to_tensor_dtype(np_dtype: dtype) → int

将 NumPy 的 dtype 转换为相应的张量类型。在将 NumPy 数组转换为张量时可以使用它。

参数：

np_dtype – NumPy 的数据类型

返回值：

TensorsProto 的数据类型

onnx.helper.tensor_dtype_to_field(tensor_dtype: int) → str

将 TensorProto 的数据类型转换为相应的存储字段名称。在创建张量时可以使用它。

参数：

tensor_dtype – TensorProto 的数据类型

返回值：

字段名称

onnx.helper.tensor_dtype_to_np_dtype(tensor_dtype: int) → dtype

将 TensorProto 的数据类型转换为相应的 NumPy dtype。在创建张量时可以使用它。

参数：

tensor_dtype – TensorProto 的数据类型

返回值：

NumPy 的数据类型

onnx.helper.tensor_dtype_to_storage_tensor_dtype(tensor_dtype: int) → int

将 TensorProto 的数据类型转换为相应的存储数据类型。

参数：

tensor_dtype – TensorProto 的数据类型

返回值：

存储数据类型

onnx.helper.tensor_dtype_to_string(tensor_dtype: int) → str

获取给定 TensorProto 数据类型的名称。

参数：

tensor_dtype – TensorProto 的数据类型

返回值：

数据类型的名称

转换

onnx.helper.float32_to_bfloat16(fval: float, truncate: bool = False) → int

onnx.helper.float32_to_float8e4m3(fval: float, scale: float = 1.0, fn: bool = True, uz: bool = False, saturate: bool = True) → int

将float32值转换为float8，e4m3（作为int）。

参见 以 8 位存储的浮点数 获取技术细节。

参数：

• fval – 要转换的浮点数

• scale – 比例因子，在进行类型转换前，将 fval 除以 scale

• fn – 没有无限值

• uz – 没有负零

• saturate – 如果为 True，则任何超出范围的值（包括无穷大）都将变为最大值，否则将变为 NaN。运算符 Cast 的描述完整地描述了差异。

返回值：

转换后的浮点数

onnx.helper.float32_to_float8e5m2(fval: float, scale: float = 1.0, fn: bool = False, uz: bool = False, saturate: bool = True) → int

将float32值转换为float8，e5m2（作为int）。

参数：

• fval – 要转换的浮点数

• scale – 比例因子，在进行类型转换前，将 fval 除以 scale

• fn – 没有无限值

• uz – 没有负零

• saturate – 如果为 True，则任何超出范围的值（包括无穷大）都将变为最大值，否则将变为 NaN。运算符 Cast 的描述完整地描述了差异。

返回值：

转换后的浮点数