复杂算子onnx导出(1): trace的实现

在算法开发过程中，有很多算子是不被onnx支持的，因此包含这些算子的模型，就无法正常通过onnx.export导出onnx模型。本文介绍一种复杂算子的onnx导出方法，它可以支持任意复杂算子的的导出。接下来以3D 点云中sparseconv 稀疏卷积算子为例进行介绍，如何将它正确导出为onnx并推理。

1. 稀疏卷积SparseConv

1.1 介绍

通过lidar传感器采集的点云数据，它是非常稀疏的, 在分布的空间中只占1% ~5%, 如果使用普通的3D卷积去计算，大部分都是在卷空气，因此提出了使用3D 卷积的方式，只在tensor中有值的位置进行卷积计算，大大提高了卷积的效率，同时将输入输出进行稀疏化存储。

稀疏卷积存在两种模式: (1) 标准的稀疏卷积 （2） subm模式的稀疏卷积

• 标准稀疏卷积：它的计算和普通的卷积计算是一样的，只不过它将输入和输出进行稀疏化存储。通过features(存储非零值)和indices(存储索引)，它的输出大小是数据相关的，输出的shape大小不确定的。
• subm模式的稀疏卷积： 它的计算方式和普通卷积不一样，它只在有值的部分进行卷积。输出和输入大小是一样的

详情参考&#