ONNX模型是按照google protobuf格式保存的，模型训练的目的就是为了得到变量的权值，只不过是纯数字罢了，但是我们也不能就这样把这些数字一个一个地写入文件，因为在要保存的模型文件里，不光要保存权值，也要告诉之后用这个模型的人，模型结构是怎么样的，所以需要合理地设计保存文件的格式。不同的机器学习框架都有自己的模型保存格式，例如 Keras 的模型格式是 h5，而 Tensorflow 和 onnx 的保存格式就是 protobuf。
其实 protobuf 使用起来非常简单方便，就是自己先定义一个数据保存格式，然后用 protoc 自动生成各个语言的解析代码，现在支持 C, C++, C#, Java, Javascript, Objective-C, PHP, Python, Ruby。
举个例子，我们创建这么个文件 amessage.proto
syntax = "proto3";
message AMessage {
int32 a=1;
int32 b=2;
}那么我们就定义了一种二进制的数据存储格式，里面包含 2 个数字，其中 a = 1，代表 id 为 1 的数据是个 int32 类型，它的名字是 a，并不是代表 a 这个变量数值是 1，同样的道理，id 为 2 的数据是个 int32 类型，它的名字是 b。这里 id 是不能重复的。
所以使用 protobuf 需要先定义一个数据格式，然后自动生成 编码 和 解码 的代码，供不同语言使用，因为能自动生成代码，所以 protobuf 简单好用，非常受欢迎，建议大家使用 protov3。
为了帮助我们更加直观的看到模型结构，这里推荐一个工具 protobuf editor,可以很方便地解析 protobuf 文件，它的下载地址是
ProtoBufEditor download | SourceForge.nethttps://sourceforge.net/projects/protobufeditor/软件下载下来后，按照下面的流程就可以解析之前我们生产的 mnist.onnx 文件了， onnx.proto3格式的定义可以在这里下载：
onnx/onnx.proto3 at master · onnx/onnx · GitHub
protobuf安装环境需要事先安装jre环境,安装成功的界面如下所示：
解析mnist模型：
将模型文件和模型protobuf描述所在位置设置给proto buffer editor工具，开始解析：