onnx.helper

find_min_ir_version_for(opsetidlist[, ...])	给定操作集ID列表，确定所需的最低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（作为整数）。
float32_to_float8e5m2(fval[, scale, fn, uz, ...])	将float32值转换为float8，e5m2（作为整数）。
make_attribute(key, value[, doc_string, ...])	根据值类型创建一个AttributeProto。
make_attribute_ref(name, attr_type[, doc_string])	创建一个AttributeProto，用于保存对父函数给定名称和类型的属性的引用。
make_empty_tensor_value_info(name)
make_function(domain, fname, inputs, ...[, ...])
make_graph(节点, 名称, 输入, 输出[, ...])	构建一个GraphProto
make_map(名称, 键类型, 键, 值)	使用指定的键值对参数创建一个地图。
make_map_type_proto(key_type, value_type)	创建一个地图 TypeProto。
make_model(graph, **kwargs)	构建一个ModelProto
make_node(操作类型, 输入, 输出[, 名称, ...])	构造一个NodeProto。
make_operatorsetid(domain, version)	构造一个OperatorSetIdProto。
make_opsetid(domain, version)	构造一个OperatorSetIdProto。
make_model_gen_version(graph, **kwargs)
make_optional(name, elem_type, value)	使用指定的值参数创建一个Optional。
make_optional_type_proto(inner_type_proto)	创建一个可选的 TypeProto。
make_sequence(name, elem_type, values)	使用指定的值参数创建一个序列。
make_sequence_type_proto(inner_type_proto)	创建一个序列 TypeProto。
make_sparse_tensor(values, indices, dims)	构造一个SparseTensorProto
make_sparse_tensor_type_proto(elem_type, shape)	基于数据类型和形状创建一个SparseTensor TypeProto。
make_sparse_tensor_value_info(name, ...[, ...])	基于数据类型和形状创建一个SparseTensor ValueInfoProto。
make_tensor(name, data_type, dims, vals[, raw])	使用指定的参数创建一个TensorProto。
make_tensor_sequence_value_info(name, ...[, ...])	基于数据类型和形状创建一个Sequence[Tensors] ValueInfoProto。
make_tensor_type_proto(elem_type, shape[, ...])	根据数据类型和形状创建一个Tensor TypeProto。
make_training_info(algorithm, ...)
make_tensor_value_info(name, elem_type, shape)	根据数据类型和形状创建一个ValueInfoProto。
make_value_info(名称, 类型原型[, 文档字符串])	使用给定的type_proto创建一个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)	从上表中创建一个从（opset-domain, opset-version）到ir-version的映射。
strip_doc_string(proto)	清空任何嵌套的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，并将每两个连续元素打包到一个字节中。
tensor_dtype_to_np_dtype(tensor_dtype)	将TensorProto的data_type转换为相应的numpy数据类型。
tensor_dtype_to_storage_tensor_dtype(...)	将TensorProto的数据类型转换为存储对应的数据类型。
tensor_dtype_to_string(tensor_dtype)	获取给定 TensorProto 的数据类型名称。
tensor_dtype_to_field(tensor_dtype)	将TensorProto的数据类型转换为相应的字段名称以进行存储。

获取器

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

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

设置器

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

打印

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。

Parameters:

• graph (GraphProto) – 要显示的图

• prefix (string) – 每行的前缀

Returns:

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

给定操作集ID列表，确定所需的最低IR版本。

Parameters:

• opsetidlist – 一个OperatorSetIdProto的序列。

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

Returns:

所需的最低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]

从上表中创建一个从（opset-domain, opset-version）到ir-version的映射。

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

清空任何嵌套的protobuf消息中的doc_string字段

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

将float32值的数组转换为4位数据类型，并将每两个连续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。

Parameters:

• array – 要转换和打包的浮点数数组

• signed – 4位变体是有符号还是无符号

Returns:

大小为 ceil(farray.size/2) 的压缩数组（单维）。

make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

根据值类型创建一个AttributeProto。

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

创建一个AttributeProto，用于保存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

构建一个GraphProto

Parameters:

• nodes – NodeProto 的列表

• name (string) – 图名称

• inputs – ValueInfoProto 的列表

• outputs – ValueInfoProto 的列表

• initializer – TensorProto 的列表

• doc_string (string) – 图形文档

• value_info – ValueInfoProto 的列表

• sparse_initializer – SparseTensorProto 的列表

Returns:

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一个地图。

转换标准： - 键和值必须具有相同数量的元素 - 键中的每个键必须是相同类型 - 值中的每个值必须是相同类型

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

创建一个地图 TypeProto。

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

构建一个ModelProto

Parameters:

• graph (GraphProto) – make_graph 返回

• **kwargs – 任何要添加到返回实例的属性

Returns:

模型原型

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

构造一个NodeProto。

Parameters:

• op_type (string) – 要构造的操作符的名称

• inputs (list of string) – 输入名称的列表

• 输出 (列表 的 字符串) – 输出名称的列表

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

• doc_string (string, default None) – NodeProto的可选文档字符串

• domain (string, 默认 None) – NodeProto 的可选域。 如果为 None，我们将使用默认域（即空域）

• overload (string, default None) – 可选字段，用于解析对模型本地函数的调用

• **kwargs (dict) – 节点的属性。可接受的值在make_attribute()中有文档说明。

Returns:

节点原型

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

构造一个OperatorSetIdProto。

Parameters:

• domain (string) – 操作集ID的域名

• 版本 (整数) – 操作符集ID的版本

Returns:

OperatorSetIdProto

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

构造一个OperatorSetIdProto。

Parameters:

• domain (string) – 操作集ID的域名

• 版本 (整数) – 操作符集ID的版本

Returns:

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

使用指定的值参数创建一个Optional。

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

创建一个可选的 TypeProto。

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

使用指定的值参数创建一个序列。

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

创建一个序列 TypeProto。

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

构造一个SparseTensorProto

Parameters:

• values (TensorProto) – 值

• indices (TensorProto) – 索引

• dims – 形状

Returns:

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一个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一个SparseTensor ValueInfoProto。

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

使用指定的参数创建一个TensorProto。如果raw为False，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字段来存储值，并且在这种情况下，值应为bytes类型。

Parameters:

• name (string) – 张量名称

• data_type (int) – 一个值，例如 onnx.TensorProto.FLOAT

• dims (List[int]) – 形状

• vals – 值

• raw (bool) – 如果为True，vals包含张量的序列化内容， 否则，vals应该是data_type定义的类型值的列表

Returns:

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一个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

根据数据类型和形状创建一个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

根据数据类型和形状创建一个ValueInfoProto。

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

使用给定的type_proto创建一个ValueInfoProto。

类型映射

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

从TensorProto获取所有张量类型。

Returns:

所有来自 TensorProto 的张量类型

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。它可以在将numpy数组转换为张量时使用。

Parameters:

np_dtype – numpy的数据类型

Returns:

TensorsProto的数据类型

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

将TensorProto的data_type转换为存储的相应字段名称。它可以在创建张量时使用。

Parameters:

tensor_dtype – TensorProto的数据类型

Returns:

字段名称

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

将TensorProto的data_type转换为相应的numpy dtype。它可以在创建张量时使用。

Parameters:

tensor_dtype – TensorProto的数据类型

Returns:

numpy的数据类型

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

将TensorProto的数据类型转换为存储的相应数据类型。

Parameters:

tensor_dtype – TensorProto的数据类型

Returns:

存储的数据类型

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

获取给定 TensorProto 的数据类型名称。

Parameters:

tensor_dtype – TensorProto的数据类型

Returns:

数据类型的名称

cast

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（作为整数）。

请参阅8位存储的浮点数以获取技术细节。

Parameters:

• fval – 要转换的浮点数

• scale – 缩放，在将 fval 转换为整数之前，先将其除以 scale

• fn – 无无限值

• uz – 无负零

• saturate – 如果为True，任何超出范围的值（包括inf）将变为最大值，否则，它将变为NaN。操作符Cast的完整描述详细说明了这些差异。

Returns:

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（作为整数）。

Parameters:

• fval – 要转换的浮点数

• scale – 缩放，在将 fval 转换为类型之前，先将其除以 scale

• fn – 无无限值

• uz – 无负零

• saturate – 如果为True，任何超出范围的值包括inf将变为最大值，否则，它将变为NaN。操作符Cast的描述详细说明了这些差异。

Returns:

转换后的浮点数