请解析这段代码： void ConvOnnx::run(NodeDef *dst_node, const onnx::NodeProto *src_node, onnx::GraphProto *src_graph, std::map<std::string, onnx::TensorProto> &weights) { VLOG(0) << "run Converter, op type is Conv" << "[" << src_node->op_type() << "]"; std::map<std::string, const onnx::NodeProto *> all_node_map; for (int i = 0; i < src_graph->node_size(); i++) { const onnx::NodeProto &node = src_graph->node(i); all_node_map[node.name()] = &node; } onnx::AttributeProto value; if (jz_onnx::find_attr_value(*src_node, "rate", value)) { std::vector<int64> tmp; tmp.resize(value.ints_size()); for (int j = 0; j < value.ints_size(); j++) { tmp[j] = value.ints(j); } add_node_attr("rate", tmp, dst_node); } if (jz_onnx::find_attr_value(*src_node, "strides", value)) { const int num_stride = value.ints_size() + 2; std::vector<int64> tmp(num_stride, 1); for (int j = 0; j < value.ints_size(); j++) { tmp[j + 1] = value.ints(j); } add_node_attr("strides", tmp, dst_node); } if (jz_onnx::find_attr_value(*src_node, "dilations", value)) { const int num_dilation = value.ints_size() + 2; std::vector<int64> tmp(num_dilation, 1); for (int j = 0; j < value.ints_size(); j++) { tmp[j + 1] = value.ints(j); } add_node_attr("dilations", tmp, dst_node); } if (jz_onnx::find_attr_value(*src_node, "auto_pad", value)) { const auto &paddingType = value.s(); if (paddingType == "NOTSET" || paddingType == "VALID") { add_node_attr("padding", "VALID", dst_node); } else if (paddingType == "SAME_UPPER" || paddingType == "SAME_LOWER") { if (paddingType == "SAME_LOWER") { VLOGW << "The padding mode in ONNX SAME_LOWER and Magik SAME is not exactly the same!"; } add_node_attr("padding", "SAME", dst_node); } else { VLOGEC(MAGIK_CONVERT, MAGIK_CODE_NOT_SUPPORT_ATTRIBUTE) << "Auto type '" << paddingType << "' is not supported!"; } } if (jz_onnx::find_attr_value(*src_node, "pads", value)) { add_node_attr("padding", "VALID", dst_node); auto pad_values = value.ints(); if (pad_values.size() == 4) { // HWHW => HHWW std::vector<int64> pads{value.ints(0), value.ints(2), value.ints(1), value.ints(3)}; add_node_attr("pads", pads, dst_node); } else if (pad_values.size() == 2) { std::vector<int64> pads{value.ints(0), value.ints(1)}; add_node_attr("pads", pads, dst_node); } else { VLOGEC(MAGIK_CONVERT, MAGIK_CODE_NOT_MATCHED_SIZE) << "Conv pad size error! (node: " << src_node->name() << ", " << "pads size" << pad_values.size() << ")"; } }

这段代码的主要功能是对 ONNX 模型中的卷积层（Convolution Layer）进行属性转换，将原始 ONNX 节点的属性映射到目标节点上。以下是逐步解析的内容： --- ### **函数基本信息** - **函数名**: `ConvOnnx::run` - **参数列表**: - `NodeDef *dst_node`: 目标节点，用于存储转换后的结果。 - `const onnx::NodeProto *src_node`: 来源节点，表示从 ONNX 中读取的原始卷积层信息。 - `onnx::GraphProto *src_graph`: 整个 ONNX 图形的原型数据。 - `std::map<std::string, onnx::TensorProto> &weights`: 存储权重等张量的信息。 --- ### **核心逻辑分解** #### 1. 初始化日志输出 ```cpp VLOG(0) << "run Converter, op type is Conv" << "[" << src_node->op_type() << "]"; ``` - 这一行通过调试日志确认当前正在处理的操作符类型是否为 `Conv` 卷积运算符。 - 日志记录了操作符的实际名称 `src_node->op_type()`。 --- #### 2. 构建所有节点的地图索引 ```cpp std::map<std::string, const onnx::NodeProto *> all_node_map; for (int i = 0; i < src_graph->node_size(); i++) { const onnx::NodeProto &node = src_graph->node(i); all_node_map[node.name()] = &node; } ``` - 遍历整个图形的所有节点，将其按名字存入 `all_node_map` 映射表中。 - 后续可能会用这张地图来查找其他相关的节点。 --- #### 3. 处理特定属性 ##### a. 提取并设置 `rate` 属性 ```cpp if (jz_onnx::find_attr_value(*src_node, "rate", value)) { std::vector<int64> tmp; tmp.resize(value.ints_size()); for (int j = 0; j < value.ints_size(); j++) { tmp[j] = value.ints(j); } add_node_attr("rate", tmp, dst_node); } ``` - 如果原节点存在名为 `"rate"` 的属性，则提取其整数值数组，并添加到目标节点的 `"rate"` 属性中。 --- ##### b. 提取并设置 `strides` 属性 ```cpp if (jz_onnx::find_attr_value(*src_node, "strides", value)) { const int num_stride = value.ints_size() + 2; std::vector<int64> tmp(num_stride, 1); for (int j = 0; j < value.ints_size(); j++) { tmp[j + 1] = value.ints(j); } add_node_attr("strides", tmp, dst_node); } ``` - 对于步幅（`strides`），先构造一个长度为 `(num_stride)`、初始值全为 `1` 的向量。 - 将原始的步幅值填充到 `[1..n+1]` 区间内，最后保存为目标节点的 `"strides"` 属性。 --- ##### c. 提取并设置 `dilations` 属性 ```cpp if (jz_onnx::find_attr_value(*src_node, "dilations", value)) { const int num_dilation = value.ints_size() + 2; std::vector<int64> tmp(num_dilation, 1); for (int j = 0; j < value.ints_size(); j++) { tmp[j + 1] = value.ints(j); } add_node_attr("dilations", tmp, dst_node); } ``` - 填充过程类似于步幅的处理方式，只是这里是针对膨胀系数（`dilations`）。 --- ##### d. 设置自动填充模式（`auto_pad`） ```cpp if (jz_onnx::find_attr_value(*src_node, "auto_pad", value)) { const auto &paddingType = value.s(); if (paddingType == "NOTSET" || paddingType == "VALID") { add_node_attr("padding", "VALID", dst_node); } else if (paddingType == "SAME_UPPER" || paddingType == "SAME_LOWER") { if (paddingType == "SAME_LOWER") { VLOGW << "The padding mode in ONNX SAME_LOWER and Magik SAME is not exactly the same!"; } add_node_attr("padding", "SAME", dst_node); } else { VLOGEC(MAGIK_CONVERT, MAGIK_CODE_NOT_SUPPORT_ATTRIBUTE) << "Auto type '" << paddingType << "' is not supported!"; } } ``` - 根据 `"auto_pad"` 的值决定目标节点的填充模式： - 若为 `"VALID"` 或未设置，默认采用无填充的方式； - 若为 `"SAME_UPPER"` 或 `"SAME_LOWER"`，统一转化为 `"SAME"` 并发出警告提示； - 其他未知类型的填充方式会被标记为错误。 --- ##### e. 设置显式的填充大小（`pads`） ```cpp if (jz_onnx::find_attr_value(*src_node, "pads", value)) { add_node_attr("padding", "VALID", dst_node); auto pad_values = value.ints(); if (pad_values.size() == 4) { // HWHW => HHWW std::vector<int64> pads{value.ints(0), value.ints(2), value.ints(1), value.ints(3)}; add_node_attr("pads", pads, dst_node); } else if (pad_values.size() == 2) { std::vector<int64> pads{value.ints(0), value.ints(1)}; add_node_attr("pads", pads, dst_node); } else { VLOGEC(MAGIK_CONVERT, MAGIK_CODE_NOT_MATCHED_SIZE) << "Conv pad size error! (node: " << src_node->name() << ", " << "pads size" << pad_values.size() << ")"; } } ``` - 当检测到有明确指定的填充大小时： - 如果尺寸为 4，则按照 `(H_start, W_start, H_end, W_end)` 的顺序调整为 `(H_start, H_end, W_start, W_end)` 形式； - 如果尺寸为 2，则保持不变； - 其他情况视为非法输入并报错。 --- ### **总结** 该代码实现了对 ONNX 模型中卷积层属性的一次全面转换，包括但不限于步幅、填充模式、膨胀因子等内容。它通过一系列条件分支完成了对各种特殊情况的兼容性和错误处理。 --- ###