前言
在人工智能领域中，深度学习模型的训练和部署是非常重要的环节。而ONNX是一种开放的深度学习模型表示格式，可以让不同的深度学习框架之间进行模型的转换和共享。而ONNX-Modifier则是一个能够对ONNX模型进行修改的工具，可以对模型进行简化、优化等操作，以达到更好的性能和效果。在本篇博客中，我们将详细介绍ONNX-Modifier的使用方法和优势。
安装
源码+命令行启动
- 拉取
onnx-modifier，安装所需要的Python库 - bash
- 复制代码
git clone git@github.com:ZhangGe6/onnx-modifier.git cd onnx-modifier pip install onnx flask
- 运行
- 复制代码
python app.py
从可执行文件启动
- Windows: 下载可执行文件onnx-modifier.exe (27.6MB) Google Drive / Baidu NetDisk，双击即可启动。
- 默认使用Edge浏览器作为运行环境。
生成可执行文件的步骤记录在
app_desktop.py文件中。未来会为其他平台生成可执行文件。
点击输出中的url（默认为http://127.0.0.1:5000/），即可在浏览器中进入onnx-modifier界面。点击Open Model...，上传所需要编辑的模型文件，上传完毕后，网络可视化结构会自动显示。
目前已支持下列操作：
✅ 删除/恢复节点
✅ 修改节点输入输出名
✅ 修改模型输入输出名
✅ 增加模型输出节点
✅ 编辑节点属性值
✅ 增加新节点
✅ 修改模型batch size
✅ 修改模型initializers
实操
我们采用从可执行文件启动方式为例子，为大家逐一介绍如何进行实操。这里我们使用一个随意的onnx文件导入到onnx-modifier中：
删除/恢复节点
删除节点有两种模式：Delete With Children 和 Delete Single Node. 后者只删除当前单个节点；而前者还会自动删除以这个节点为根节点的所有子节点，当我们需要删除一长串节点时，这个功能会比较有用。
Delete With Children基于回溯算法实现。
执行删除操作后，被删除的节点首先会变灰显示，以供预览。如果某一个节点被误删了，在该节点的侧边栏点击Recover Node即可以将其恢复到图中。预览确认删除操作无误后，点击Enter，图结构会刷新，显示节点删除后的状态。
例如我们需要删除第一个sigmoid节点:
修改节点输入输出名
通过修改节点的输出输出名，我们可以对模型拓扑结构进行修改（如删除一些预处理/后处理节点）。该功能同样可以用在更改模型的输出的名称（即修改模型叶子节点的输出名）。
那在onnx-modifer中要怎么做呢？很简单，找到节点侧边栏的输入输出对应的输入框，键入新的名称就可以啦。图结构会根据键入的名称即时自动刷新。
举个栗子，在下图所示的模型中，我们想要删除预处理对应的节点（Sub->Mul->Sub->Transpose），可以这样做：
- 点击第一个
Conv节点，在弹出的属性栏中，将输入名称改为serving_default_input:0 (data_0节点的输出名)； - 图结构自动刷新，可以发现，输入节点已经和第一个
Conv节点直接相连，几个预处理节点也已经从前向图中分离出来，将它们删除； - 完工（点击
Download就可以获得编辑后的ONNX模型啦）。
如果我们希望通过修改，让节点AAA（比如上例中的
data_0节点）连向节点BBB（比如上例中的第一个Conv节点），建议的方式是：将节点BBB的输入名称修改为节点AAA的输出名称，而不是把AAA的输出名称修改为节点BBB的输入名称。 因为节点BBB的输入名称可能同时为其他节点（比如上例中的Transpose节点）的输出名称，会导致一些预料外的结果。
上例的修改过程如下图所示：
修改模型输入输出名称
点击模型输入或输出节点，在弹出的侧边栏中，为模型输入输出键入新的名称即可。
增加模型输出节点
有时候我们需要增加/抽取某个特定节点的输出作为整个模型的输出。比如之前的模型输出节点在编辑过程中被删除了，需要增加新的，或者有时候我们需要抽取一些中间层特征输出做更细致的分析。
通过onnx-modifier，我们只需要在对应节点的侧边栏中，点击Add Output按钮即可在该节点后部增加一个模型输出节点，其名称与原节点的输出名相同。
如下图，我们增加了两个模型输出节点，分别为第一个卷积层的输出和第二个卷积层的输出。
编辑节点属性值
在节点侧边栏对应的属性值输入框中，键入新的属性值即可。
点击属性值输入框右侧的
+，可显示该属性的参考信息。
增加新节点
有时候我们希望向模型中添加新节点。onnx-modifier已开始支持该功能。
在主页面的左上方，有一个Add node按钮和一个selector选择器，我们可以通过这二者的配合，完成节点的添加，只需3步：
- 在selector中选择要添加的节点类型，在点击
Add node按钮后，一个对应类型的新节点将自动出现在图上。
selector中包含来自
ai.onnx(171),ai.onnx.preview.training(4),ai.onnx.ml(18) 和com.microsoft(1)的所有节点类型。
- 点击这个新节点，在弹出的侧边栏中进行节点的编辑：
- 节点属性：初始化为
null（显示为undefined）。同上节，在对应的属性框中输入新值即可。 - 修改节点输入输出名。输入输出名决定了节点将插入在图结构中的位置。
- 完工（点击
Download即可获得编辑后的ONNX模型）。
以下是该功能的一些提醒和小tip：
- 点击节点侧边栏的
NODE PROPERTIES的type框右侧的?，和节点属性框右侧的+，可以显示关于当前节点类型/属性值的参考信息。 - 为确保正确性，节点的各属性值建议全部填写（而不是留着
undefined）。默认值在当前版本可能支持得还不够好。 - 如果一个属性值是列表类型，则各元素之间使用‘
,’分隔，无需'[]'。 - 在当前版本中，如果一个节点的输入/输出是一个列表类型（如
Concat），限制最多显示8个。如果一个节点实际输入/输出小于8个，则填写对应数目的输入输出即可，多出来的应以list_custom开头，它们会在后续处理中自动被忽略。
修改模型batch size
动态batch size和固定batch size均已支持。
- 动态batch size：点击
Dynamic batch size即可； - 动态bacth size：在
Fixed batch size后方输入框内填入预期的batch size值；
修改模型initializers
有时候我们要修改一些保存在模型initializer中的数值，比如卷积层的权重/偏置参数，Reshape节点的shape参数等。使用onnx-modifier，这一操作将非常简单：在对应节点侧边栏的initializer中键入新的数值，点击Download即可。
如果要修改我们新增加的节点的initializer，除了键入其数值之外，还要键入其数据类型。（如果我们不确定数据类型，可以点击
NODE PROPERTIES->type->?，在弹出的节点的详细介绍界面中，可能会找到线索。）
参考资料
- Netron
- Flask
- ONNX IR Official doc
- ONNX Python API Official doc, Leimao's Blog
- ONNX IO Stream Leimao's Blog
- onnx-utils
- sweetalert
