Mini-Infer (18): 编排导入流程 — `ModelImporter` 与 `AttributeHelper`

引言：从架构到实现

在之前的博客中，我们设计了 OnnxParser 的顶层入口，定义了 ImporterContext 和 OperatorRegistry 的接口，并实现了 WeightImporter 来解析数据。

现在，我们需要将这些组件真正“运转”起来。

本篇，我们将实现两个核心组件：

AttributeHelper：一个极其使用的工具类，用于解决 ONNX Protobuf 属性访问繁琐的问题。
ModelImporter：整个导入过程的“总指挥”。它负责按照正确的顺序（权重 -> 输入 -> 节点 -> 输出）编排导入流程，并将解析任务分发给注册表。

1. `AttributeHelper`：优雅地解析属性

ONNX 的 NodeProto 使用 Key-Value 的列表来存储算子属性（如卷积的 strides, pads）。使用原生的 Protobuf API 来查找和读取这些属性非常啰嗦且容易出错。

我们需要一个包装器来简化这个过程。

封装痛点

在原生 Protobuf 中，获取一个名为 kernel_shape 的属性可能需要写十几行代码来遍历 attribute 列表、检查名字、检查类型。

优雅实现

AttributeHelper 将这些逻辑封装在内部，对外提供了极其简洁的接口。

// mini_infer/importers/attribute_helper.cpp

AttributeHelper::AttributeHelper(const onnx::NodeProto& node) : node_(node) {}

// 核心查找逻辑
const onnx::AttributeProto* AttributeHelper::find_attribute(const std::string& name) const {
    for (int i = 0; i < node_.attribute_size(); ++i) {
        const auto& attr = node_.attribute(i);
        if (attr.name() == name) {
            return &attr;
        }
    }
    return nullptr;
}

// 类型安全的访问器 (带默认值)
int64_t AttributeHelper::get_int(const std::string& name, int64_t default_value) const {
    const auto* attr = find_attribute(name);
    if (attr && attr->has_i()) {
        return attr->i();
    }
    return default_value;
}

std::vector<int64_t> AttributeHelper::get_ints(const std::string& name) const {
    const auto* attr = find_attribute(name);
    if (attr && attr->ints_size() > 0) {
        return std::vector<int64_t>(attr->ints().begin(), attr->ints().end());
    }
    return {};
}

有了这个工具，未来的算子导入代码将变得非常干净： int stride = attrs.get_int("stride", 1);

2. `ModelImporter`：导入流程的总指挥

ModelImporter 是解析器的核心引擎。它的 import_model 方法负责协调所有的资源，确保图构建的正确性。

我们将详细分析 import_graph 的四个关键步骤。

步骤 1：导入 Initializers (权重)

权重必须最先导入，因为后续算子（如 Conv）在创建时就需要访问它们。

// mini_infer/importers/model_importer.cpp

core::Status ModelImporter::import_initializers(...) {
    for (int i = 0; i < graph_proto.initializer_size(); ++i) {
        const auto& tensor_proto = graph_proto.initializer(i);
        const std::string& name = tensor_proto.name();
        
        // 调用我们之前实现的 WeightImporter
        std::string error_msg;
        auto tensor = WeightImporter::import_tensor(tensor_proto, error_msg);
        
        if (!tensor) { /* 错误处理 */ }
        
        // 注册到 Context 中，标记为 Weight
        ctx.register_weight(name, tensor);
    }
    return core::Status::SUCCESS;
}

步骤 2：导入 Inputs & Outputs

这一步主要是在 Context 中注册占位符 Tensor。

Inputs: 遍历 graph.input。如果一个输入名字不是权重（!ctx.is_weight(name)），那它就是模型的真实输入，我们需要创建一个空的 Tensor 并注册。
Outputs: 遍历 graph.output，同样注册空的 Tensor 占位符。

// mini_infer/importers/model_importer.cpp
core::Status ModelImporter::import_inputs(...) {
    for (int i = 0; i < graph_proto.input_size(); ++i) {
        const std::string& name = graph_proto.input(i).name();
        // 如果是权重，跳过（因为 Initializer 已经处理过了）
        if (ctx.is_weight(name)) continue;
        
        if (!ctx.has_tensor(name)) {
            auto input_tensor = std::make_shared<core::Tensor>();
            ctx.register_tensor(name, input_tensor);
        }
    }
    return core::Status::SUCCESS;
}

步骤 3：导入 Nodes (核心循环)

这是将 ONNX NodeProto 转换为 Mini-Infer 节点的关键步骤。

// mini_infer/importers/model_importer.cpp

core::Status ModelImporter::import_node(const onnx::NodeProto& node, ImporterContext& ctx) {
    const std::string& op_type = node.op_type();
    
    // 1. 检查是否支持
    if (!registry_->is_supported(op_type)) {
        return core::Status::ERROR_NOT_IMPLEMENTED;
    }
    
    // 2. 获取对应的 Importer (从 Registry 中)
    auto importer = registry_->get_importer(op_type);
    
    // 3. 执行导入 (委托给具体的 Importer)
    return importer->import_operator(ctx, node);
}

步骤 4：图的收尾工作

在所有节点导入完成后，我们需要确保 Graph 对象的状态是完整的：

创建节点占位符：对于 Graph 的 Input/Output 名字，如果在导入过程中没有对应的 Node 生成（虽然这很少见，但为了鲁棒性），我们需要手动调用 graph->create_node()。
设置 Graph 输入输出：调用 graph->set_inputs() 和 graph->set_outputs()，确立图的边界。

// mini_infer/importers/model_importer.cpp :: import_graph 尾部

// Set graph inputs and outputs
{
    std::vector<std::string> input_names;
    // ... 收集 input names ...
    ctx.get_graph()->set_inputs(input_names);
    
    std::vector<std::string> output_names;
    // ... 收集 output names ...
    ctx.get_graph()->set_outputs(output_names);
}