为了深入理解ONNX Runtime的底层机制，本文将对 Graph::SetGraphInputsOutputs() 的代码逐行分析。
首先判断Graph是否从ONNX文件中加载所得：
if (is_loaded_from_model_file_) return Status::OK();如果是，可直接返回；如果不是，则需要解析Graph中的节点，从而设置模型的输入和输出。
将Graph中的成员变量 value_info_、graph_inputs_excluding_initializers_、graph_inputs_including_initializers_ 以及 graph_outputs_ 全部清空：
value_info_.clear();graph_inputs_excluding_initializers_.clear();if (!graph_inputs_manually_set_) { graph_inputs_including_initializers_.clear();} else { std::unordered_set<std::string> existing_names; for (auto arg : graph_inputs_including_initializers_) { const std::string& name = arg->Name(); if (existing_names.count(name) == 0) { graph_inputs_excluding_initializers_.push_back(arg); existing_names.insert(name); } }}if (!graph_outputs_manually_set_) { graph_outputs_.clear();}设置一些局部变量，方便下面的使用分析：
std::unordered_map<std::string, size_t> output_name_to_node_arg_index;std::vector<const NodeArg*> output_node_args_in_order;std::unordered_set<std::string> added_input_names{outer_scope_node_arg_names_};统计所有节点的输出，添加到以上局部变量（output_name_to_node_arg_index 和 output_node_args_in_order）中：
for (const auto& node : Nodes()) { for (const auto* output_def : node.OutputDefs()) { if (output_def->Exists()) { output_node_args_in_order.push_back(output_def); output_name_to_node_arg_index.insert({output_def->Name(), output_node_args_in_order.size() - 1}); } }}auto graph_output_args = output_name_to_node_arg_index; // 拷贝一份输出节点map然后遍历图中每个节点以及每个节点的输入：
for (const auto& node : Nodes()) { // Go thru all node's inputs. for (const auto* input_arg : node.InputDefs()) { ... }}在输出节点name列表中查找当前输入name：
auto output_arg_iter = output_name_to_node_arg_index.find(input_arg->Name());如果没有找到，说明这个节点的输入就是图的输入，接下来还需要判断这个输入是否已经放在局部变量added_input_names中：
if (output_name_to_node_arg_index.end() == output_arg_iter) { // This input arg is not the output of another node so must come from either a graph input or an initializer. const std::string& name = input_arg->Name(); if (added_input_names.end() == added_input_names.find(name)) { ... }}如果已经放到局部变量added_input_names中，就可以判断节点的下一个输入或者下一个节点的输入。如果没有放到局部变量added_input_names中：
bool is_initializer = name_to_initial_tensor_.find(name) != name_to_initial_tensor_.end(); // 判断当前input_arg是否已初始化过的tensor，如果是就不可以再放置到 graph_inputs_excluding_initializers_ 中if (!graph_inputs_manually_set_) { // 如果未主动调用 SetInputs() 方法 // if IR version < 4 all initializers must have a matching graph input // (even though the graph input is not allowed to override the initializer). // if IR version >= 4 initializers are not required to have a matching graph input. // any graph inputs that are to override initializers must be specified by calling SetInputs. if (!is_initializer || ir_version_ < 4) { graph_inputs_including_initializers_.push_back(input_arg); } if (!is_initializer) { // If input_arg is not of an initializer, we add it into graph_inputs_excluding_initializers_. graph_inputs_excluding_initializers_.push_back(input_arg); }} else { // 如果主动调用了 SetInputs() 方法 // graph_inputs_including_initializers_ has been manually populated by SetInputs. // Validation: the <input_arg> must be in graph inputs or initializers when it's manually set. if (!is_initializer) { const auto& inputs = graph_inputs_including_initializers_; bool in_inputs = std::find(inputs.begin(), inputs.end(), input_arg) != inputs.end(); if (!in_inputs) { return Status(ONNXRUNTIME, FAIL, name + " must be either specified in graph inputs or graph initializers."); } } else { // If arg_input is of an initializer, we remove it from graph_inputs_excluding_initializers_ // whose initial content has both initializers and non-initializers. auto input_pos = std::find(graph_inputs_excluding_initializers_.begin(), graph_inputs_excluding_initializers_.end(), input_arg); if (input_pos != graph_inputs_excluding_initializers_.end()) { graph_inputs_excluding_initializers_.erase(input_pos); } }}added_input_names.insert(name);可以看到，这里会把当前的 input_arg 分别放到 graph_inputs_including_initializers_ 和 graph_inputs_excluding_initializers_ 中，并将name放在added_input_names中。
如果该输入的name已经在输出节点name列表中，说明这个节点是中间输出结果，而非整个图的输出，因此应该将其从图的输出（graph_output_args）中删除，并放在 value_info_ 中：
if (output_name_to_node_arg_index.end() == output_arg_iter) { ...}else if(graph_output_args.erase(output_arg_iter->first) >= 1){ value_info_.insert(input_arg);}以上我们对Graph的三个成员变量：graph_inputs_including_initializers_、graph_inputs_excluding_initializers_和value_info_分别进行了赋值，其中前两者存储输入，后者存储中间结果。我们还需要处理图的输出结果：｀graph_outputs_｀：
if (!graph_outputs_manually_set_) { // Set graph outputs in order. std::vector<size_t> graph_output_args_index; graph_output_args_index.reserve(graph_output_args.size()); for (const auto& output_arg : graph_output_args) { // graph_output_args原本存储了所有节点的输出，但是前面的代码已经把中间节点的输出给移除了，因此剩下的就是整个Graph的输出 graph_output_args_index.push_back(output_arg.second); } std::sort(graph_output_args_index.begin(), graph_output_args_index.end()); for (auto& output_arg_index : graph_output_args_index) { graph_outputs_.push_back(output_node_args_in_order[output_arg_index]); }}最后，还需要对 graph_overridable_initializers_ 进行处理：
ComputeOverridableInitializers();进入这个函数内部：
void Graph::ComputeOverridableInitializers() { graph_overridable_initializers_.clear(); if (CanOverrideInitializer()) { // graph_inputs_excluding_initializers_ and graph_inputs_including_initializers_ // are inserted in the same order. So we walk and compute the difference. auto f_incl = graph_inputs_including_initializers_.cbegin(); const auto l_incl = graph_inputs_including_initializers_.cend(); auto f_excl = graph_inputs_excluding_initializers_.cbegin(); const auto l_excl = graph_inputs_excluding_initializers_.cend(); while (f_incl != l_incl) { // Equal means not an initializer if (f_excl != l_excl && *f_incl == *f_excl) { ++f_incl; ++f_excl; continue; } graph_overridable_initializers_.push_back(*f_incl); ++f_incl; } }}这是一个很简单的算法，通过比较 graph_inputs_including_initializers_ 和 graph_inputs_excluding_initializers_，提取出 initializer 并放置到 graph_overridable_initializers_ 中。
至此，我们完成了对 Graph::SetGraphInputsOutputs() 函数的解析。
针对这个函数的解析不仅理解了如何从Graph的nodes中分析出graph的输入和输出，而且懂得了graph_overridable_initializers_以及value_info_的作用。