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：
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，
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】
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
