极智开发 | 随机初始化onnx模型权重的方法

欢迎关注我的公众号 [极智视界],获取我的更多经验分享

大家好,我是极智视界,本文分享一下 随机初始化onnx模型权重的方法。

邀您加入我的知识星球「极智视界」,星球内有超多好玩的项目实战源码和资源下载,链接:t.zsxq.com/0aiNxERDq

onnx 模型一直是在算法部署中扮演重要的角色,它是衔接前端训练框架和后端部署硬件之间的不二之选,

有的时候需要随机初始化 onnx 模型权重,比如在对外对接、定位问题的时候,直接提供完整模型比较敏感,但又没办法。这个时候的做法往往是提供一个怀疑存在问题的模型片段 或者是 只提供模型结构而不提供模型权重。这里的随机初始化 onnx 模型权重其实就是只提供模型结构而不提供模型权重,将权重进行随机初始化后,也意味着原来的权重 "失真" 了,这样能够起到一定的保护作用。

考虑到大部分的模型其实都是卷积神经网络 (这里就不考虑 Transformer、大模型啦),所以其实可以再简单点,只对模型中卷积算子的权重和偏置做一个随机初始化,这样就能够达到上面的目的,

直接上代码:

ini 复制代码
import onnx
import numpy as np
import onnxruntime

# 加载模型
model_path = 'your_model.onnx'
model = onnx.load(model_path)

# 遍历模型中的节点
for node in model.graph.node:
    if node.op_type == 'Conv':
        # 获取卷积层的权重和偏置的名称
        weight_name = node.input[1]
        bias_name = node.input[2] if len(node.input) > 2 else None
        # 查找并修改权重和偏置
        for initializer in model.graph.initializer:
            if initializer.name == weight_name:
                # 生成新的随机值
                new_weights = np.random.randn(*initializer.dims).astype(np.float32)
                initializer.float_data[:] = new_weights.flatten().tolist()
            elif initializer.name == bias_name:
                # 生成新的随机值
                new_biases = np.random.randn(*initializer.dims).astype(np.float32)
                initializer.float_data[:] = new_biases.flatten().tolist()

# 保存修改后的模型到一个新文件中
onnx.save(model, 'modified_model.onnx')

这样保存下来的 modified_model.onnx 模型中的卷积算子的权重和偏置都已经是经过随机初始化过的了,就可以稍微放心一点去对接、去提供了。

当然,上面的代码只是对模型中的卷积算子进行了权重和偏置的初始化,要是实在想更加通用一点,想对一般的算子都进行初始化,可以采用下面的代码,

ini 复制代码
import numpy as np
import onnx

# 加载已有的ONNX模型
onnx_path = "your_model.onnx"
model = onnx.load(onnx_path)

# 随机初始化模型权重
def random_init(model):
    for tensor in model.graph.initializer:
        # 使用 NumPy 生成随机数并重新填充权重
        tensor.float_data[:] = np.random.randn(*tensor.dims).astype(np.float32)

# 对模型进行随机初始化
random_init(model)

# 将带有随机初始化权重的模型保存回ONNX文件
onnx.save(model, "modified_model.onnx")

好了,以上分享了 随机初始化onnx模型权重的方法,希望我的分享能对你的学习有一点帮助。


【公众号传送】

《极智开发 | 随机初始化onnx模型权重的方法》

畅享人工智能的科技魅力,让好玩的AI项目不难玩。邀请您加入我的知识星球, 星球内我精心整备了大量好玩的AI项目,皆以工程源码形式开放使用,涵盖人脸、检测、分割、多模态、AIGC、自动驾驶、工业等。一定会对你学习有所帮助,也一定非常好玩,并持续更新更加有趣的项目。 t.zsxq.com/0aiNxERDq

相关推荐
ctrlworks10 分钟前
楼宇自控核心功能:实时监控设备运行,快速诊断故障,赋能设备寿命延长
人工智能·ba系统厂商·楼宇自控系统厂家·ibms系统厂家·建筑管理系统厂家·能耗监测系统厂家
BFT白芙堂1 小时前
睿尔曼系列机器人——以创新驱动未来,重塑智能协作新生态(上)
人工智能·机器学习·机器人·协作机器人·复合机器人·睿尔曼机器人
aneasystone本尊1 小时前
使用 MCP 让 Claude Code 集成外部工具
人工智能
静心问道1 小时前
SEW:无监督预训练在语音识别中的性能-效率权衡
人工智能·语音识别
羊小猪~~1 小时前
【NLP入门系列五】中文文本分类案例
人工智能·深度学习·考研·机器学习·自然语言处理·分类·数据挖掘
xwz小王子1 小时前
从LLM到WM:大语言模型如何进化成具身世界模型?
人工智能·语言模型·自然语言处理
我爱一条柴ya1 小时前
【AI大模型】深入理解 Transformer 架构:自然语言处理的革命引擎
人工智能·ai·ai作画·ai编程·ai写作
静心问道1 小时前
FLAN-T5:规模化指令微调的语言模型
人工智能·语言模型·自然语言处理
李师兄说大模型1 小时前
KDD 2025 | 地理定位中的群体智能:一个多智能体大型视觉语言模型协同框架
人工智能·深度学习·机器学习·语言模型·自然语言处理·大模型·deepseek
静心问道1 小时前
SqueezeBERT:计算机视觉能为自然语言处理在高效神经网络方面带来哪些启示?
人工智能·计算机视觉·自然语言处理