回到頂端

onnx.helper¶

`find_min_ir_version_for`(opsetidlist[, ...])	給定運算子集合 ID 列表，判斷所需的最低 IR 版本。
`get_all_tensor_dtypes`()	從 TensorProto 取得所有張量類型。
`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, ...])	將 float32 值轉換為 float8，e4m3（為 int）。
`float32_to_float8e5m2`(fval[, scale, fn, uz, ...])	將 float32 值轉換為 float8，e5m2（為 int）。
`make_attribute`(key, value[, doc_string, ...])	根據值類型製作 AttributeProto。
`make_attribute_ref`(name, attr_type[, doc_string])	製作一個 AttributeProto，其中包含對父函式具有給定名稱和類型的屬性的參考。
`make_empty_tensor_value_info`(name)
`make_function`(domain, fname, inputs, ...[, ...])
`make_graph`(nodes, name, inputs, outputs[, ...])	建構 GraphProto
`make_map`(name, key_type, keys, values)	製作具有指定鍵值對引數的 Map。
`make_map_type_proto`(key_type, value_type)	製作 Map TypeProto。
`make_model`(graph, **kwargs)	建構 ModelProto
`make_node`(op_type, inputs, outputs[, name, ...])	建構 NodeProto。
`make_operatorsetid`(domain, version)	建構 OperatorSetIdProto。
`make_opsetid`(domain, version)	建構 OperatorSetIdProto。
`make_model_gen_version`(graph, **kwargs)
`make_optional`(name, elem_type, value)	製作具有指定值引數的 Optional。
`make_optional_type_proto`(inner_type_proto)	製作 optional TypeProto。
`make_sequence`(name, elem_type, values)	製作具有指定值引數的 Sequence。
`make_sequence_type_proto`(inner_type_proto)	製作 sequence TypeProto。
`make_sparse_tensor`(values, indices, dims)	建構 SparseTensorProto
`make_sparse_tensor_type_proto`(elem_type, shape)	根據資料類型和形狀製作 SparseTensor TypeProto。
`make_sparse_tensor_value_info`(name, ...[, ...])	根據資料類型和形狀製作 SparseTensor ValueInfoProto。
`make_tensor`(name, data_type, dims, vals[, raw])	製作具有指定引數的 TensorProto。
`make_tensor_sequence_value_info`(name, ...[, ...])	根據資料類型和形狀製作 Sequence[Tensors] ValueInfoProto。
`make_tensor_type_proto`(elem_type, shape[, ...])	根據資料類型和形狀製作 Tensor TypeProto。
`make_training_info`(algorithm, ...)
`make_tensor_value_info`(name, elem_type, shape)	根據資料類型和形狀製作 ValueInfoProto。
`make_value_info`(name, type_proto[, doc_string])	製作具有給定 type_proto 的 ValueInfoProto。
`np_dtype_to_tensor_dtype`(np_dtype)	將 numpy 的 dtype 轉換為對應的張量類型。
`printable_attribute`(attr[, subgraphs])
`printable_dim`(dim)
`printable_graph`(graph[, prefix])	將 GraphProto 顯示為字串。
`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)	從上表建立從 (opset-domain, opset-version) 到 ir-version 的映射。
`strip_doc_string`(proto)	清空任何巢狀 protobuf 訊息上的 doc_string 欄位
`pack_float32_to_4bit`(array, signed)	將 float32 值的陣列轉換為 4 位元資料類型，並將每兩個連續元素打包成一個位元組。
`tensor_dtype_to_np_dtype`(tensor_dtype)	將 TensorProto 的 data_type 轉換為對應的 numpy dtype。
`tensor_dtype_to_storage_tensor_dtype`(...)	將 TensorProto 的 data_type 轉換為用於儲存的對應 data_type。
`tensor_dtype_to_string`(tensor_dtype)	取得給定 TensorProto 的 data_type 名稱。
`tensor_dtype_to_field`(tensor_dtype)	將 TensorProto 的 data_type 轉換為用於儲存的對應欄位名稱。

getter¶

onnx.helper.get_attribute_value(attr: AttributeProto) → Any[原始碼]¶

onnx.helper.get_node_attr_value(node: NodeProto, attr_name: str) → Any[原始碼]¶

setter¶

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

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

print¶

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

onnx.helper.printable_dim(dim: Dimension) → str[原始碼]¶

onnx.helper.printable_graph(graph: GraphProto, prefix: str = '') → str[原始碼]¶

將 GraphProto 顯示為字串。

參數:

graph (GraphProto) – 要顯示的圖形
prefix (string) – 每行的前綴

返回:

字串

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

onnx.helper.printable_tensor_proto(t: TensorProto) → str[原始碼]¶

onnx.helper.printable_type(t: TypeProto) → str[原始碼]¶

onnx.helper.printable_value_info(v: ValueInfoProto) → str[原始碼]¶

工具¶

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

給定運算子集合 ID 列表，判斷所需的最低 IR 版本。

參數:

opsetidlist – 一個 OperatorSetIdProto 的序列。
ignore_unknown – 如果為 True，則忽略未知網域，並為該網域返回預設的最小版本。

返回:

所需的最小 IR 版本 (整數)

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

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][原始碼]¶: 從上表建立從 (opset-domain, opset-version) 到 ir-version 的映射。

onnx.helper.strip_doc_string(proto: Message) → None[原始碼]¶: 清空任何巢狀 protobuf 訊息上的 doc_string 欄位

onnx.helper.pack_float32_to_4bit(array: ndarray | Sequence, signed: bool) → ndarray[原始碼]¶

將 float32 數值陣列轉換為 4 位元資料類型，並將每兩個連續元素封裝到一個位元組中。有關技術細節，請參閱4 位元整數類型。

參數:

array – 要轉換和封裝的浮點數陣列
signed – 4 位元變體是否為有號或無號

返回:

封裝後的陣列大小為 ceil(farray.size/2)（單維度）。

建立函式¶

所有用於建立 ONNX 圖形的函式。

onnx.helper.make_attribute(key: str, value: Any, doc_string: str | None = None, attr_type: int | None = None) → AttributeProto[原始碼]¶: 根據值類型製作 AttributeProto。

onnx.helper.make_attribute_ref(name: str, attr_type: AttributeProto.AttributeType, doc_string: str | None = None) → AttributeProto[原始碼]¶: 建立一個 AttributeProto，其中包含對父函數指定名稱和類型的屬性的參照。

onnx.helper.make_empty_tensor_value_info(name: str) → ValueInfoProto[原始碼]¶

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[原始碼]¶

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[原始碼]¶

建構 GraphProto

參數:

nodes – NodeProto 的列表
name (string) – 圖的名稱
inputs – ValueInfoProto 的列表
outputs – ValueInfoProto 的列表
initializer – TensorProto 的列表
doc_string (string) – 圖的文件字串
value_info – ValueInfoProto 的列表
sparse_initializer – SparseTensorProto 的列表

返回:

GraphProto

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

製作具有指定鍵值對引數的 Map。

轉換的條件： - Keys 和 Values 必須有相同數量的元素 - keys 中的每個 key 必須是相同類型 - values 中的每個 value 必須是相同類型

onnx.helper.make_map_type_proto(key_type: int, value_type: TypeProto) → TypeProto[原始碼]¶: 製作 Map TypeProto。

onnx.helper.make_model(graph: GraphProto, **kwargs: Any) → ModelProto[原始碼]¶

建構 ModelProto

參數:

graph (GraphProto) – make_graph 的返回值
**kwargs – 任何要添加到返回實例的屬性

返回:

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[原始碼]¶

建構 NodeProto。

參數:

op_type (字串) – 要建構的運算子名稱
inputs (字串的列表) – 輸入名稱列表
outputs (字串的列表) – 輸出名稱列表
name (字串，預設為 None) – NodeProto 的可選唯一識別符
doc_string (字串，預設為 None) – NodeProto 的可選文件字串
domain (字串，預設為 None) – NodeProto 的可選網域。如果為 None，我們將只使用預設網域（為空）
overload (字串，預設為 None) – 可選欄位，用於解析對模型局部函數的呼叫
**kwargs (字典) – 節點的屬性。可接受的值在 make_attribute() 中有說明。

返回:

NodeProto

onnx.helper.make_operatorsetid(domain: str, version: int) → OperatorSetIdProto[原始碼]¶

建構 OperatorSetIdProto。

參數:

domain (字串) – 運算子集 ID 的網域
version (整數) – 運算子集 ID 的版本

返回:

OperatorSetIdProto

onnx.helper.make_opsetid(domain: str, version: int) → OperatorSetIdProto[原始碼]¶

建構 OperatorSetIdProto。

參數:

domain (字串) – 運算子集 ID 的網域
version (整數) – 運算子集 ID 的版本

返回:

OperatorSetIdProto

onnx.helper.make_model_gen_version(graph: GraphProto, **kwargs: Any) → ModelProto[原始碼]¶

onnx.helper.make_optional(name: str, elem_type: OptionalProto.DataType, value: google.protobuf.message.Message | None) → OptionalProto[原始碼]¶: 製作具有指定值引數的 Optional。

onnx.helper.make_optional_type_proto(inner_type_proto: TypeProto) → TypeProto[原始碼]¶: 製作 optional TypeProto。

onnx.helper.make_sequence(name: str, elem_type: SequenceProto.DataType, values: Sequence[Any]) → SequenceProto[原始碼]¶: 製作具有指定值引數的 Sequence。

onnx.helper.make_sequence_type_proto(inner_type_proto: TypeProto) → TypeProto[原始碼]¶: 製作 sequence TypeProto。

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

建構 SparseTensorProto

參數:

values (TensorProto) – 值
indices (TensorProto) – 索引
dims – 形狀

返回:

SparseTensorProto

onnx.helper.make_sparse_tensor_type_proto(elem_type: int, shape: Sequence[str | int | None] | None, shape_denotation: list[str] | None = None) → TypeProto[原始碼]¶: 根據資料類型和形狀製作 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[原始碼]¶: 根據資料類型和形狀製作 SparseTensor ValueInfoProto。

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

使用指定的引數建立 TensorProto。如果 raw 為 False，此函式會根據 data_type 選擇對應的 proto 欄位來儲存值。如果 raw 為 True，則使用「raw_data」proto 欄位來儲存值，並且在此情況下，值應為位元組類型。

參數:

name (字串) – 張量名稱
data_type (int) – 一個值，例如 onnx.TensorProto.FLOAT
dims (List[int]) – 形狀
vals – 值
raw (bool) – 如果為 True，則 vals 包含張量的序列化內容，否則，vals 應為由 data_type 定義的類型的值的列表

返回:

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[原始碼]¶: 根據資料類型和形狀製作 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[原始碼]¶: 根據資料類型和形狀製作 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[原始碼]¶

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[原始碼]¶: 根據資料類型和形狀製作 ValueInfoProto。

onnx.helper.make_value_info(name: str, type_proto: TypeProto, doc_string: str = '') → ValueInfoProto[原始碼]¶: 製作具有給定 type_proto 的 ValueInfoProto。

類型映射¶

onnx.helper.get_all_tensor_dtypes() → KeysView[int][原始碼]¶

從 TensorProto 取得所有張量類型。

返回:: 來自 TensorProto 的所有張量類型

onnx.helper.np_dtype_to_tensor_dtype(np_dtype: dtype) → int[原始碼]¶

將 numpy 的 dtype 轉換為對應的張量類型。它可以在將 numpy 陣列轉換為張量時使用。

參數:: np_dtype – numpy 的 data_type
返回:: TensorsProto 的 data_type

onnx.helper.tensor_dtype_to_field(tensor_dtype: int) → str[原始碼]¶

將 TensorProto 的 data_type 轉換為對應的儲存欄位名稱。它可以在製作張量時使用。

參數:: tensor_dtype – TensorProto 的 data_type
返回:: 欄位名稱

onnx.helper.tensor_dtype_to_np_dtype(tensor_dtype: int) → dtype[原始碼]¶

將 TensorProto 的 data_type 轉換為對應的 numpy dtype。它可以在製作張量時使用。

參數:: tensor_dtype – TensorProto 的 data_type
返回:: numpy 的 data_type

onnx.helper.tensor_dtype_to_storage_tensor_dtype(tensor_dtype: int) → int[原始碼]¶

將 TensorProto 的 data_type 轉換為對應的儲存 data_type。

參數:: tensor_dtype – TensorProto 的 data_type
返回:: 儲存的 data_type

onnx.helper.tensor_dtype_to_string(tensor_dtype: int) → str[原始碼]¶

取得給定 TensorProto 的 data_type 名稱。

參數:: tensor_dtype – TensorProto 的 data_type
返回:: data_type 的名稱

轉換¶

onnx.helper.float32_to_bfloat16(fval: float, truncate: bool = False) → int[原始碼]¶

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

將 float32 值轉換為 float8，e4m3（為 int）。

請參考以 8 位元儲存的浮點數以取得技術細節。

參數:

fval – 要轉換的浮點數
scale – 縮放比例，在轉換前先將 fval 除以 scale
fn – 無限值無效
uz – 無負零
saturate – 如果為 True，任何超出範圍（包含無限值）的值都會變成最大值，否則會變成 NaN。Cast 運算子的說明完整描述了這些差異。

返回:

已轉換的浮點數

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

將 float32 值轉換為 float8，e5m2（為 int）。

參數:

fval – 要轉換的浮點數
scale – 縮放比例，在轉換前先將 fval 除以 scale
fn – 無限值無效
uz – 無負零
saturate – 如果為 True，任何超出範圍（包含無限值）的值都會變成最大值，否則會變成 NaN。Cast 運算子的說明完整描述了這些差異。

返回:

已轉換的浮點數