sklearn-onnx是当前最稳定、兼容性最好的scikit-learn转ONNX方案，但需显式声明initial_types（如[('input', FloatTensorType([None, 4]))]），匹配训练数据dtype与shape，且须用Pipeline整合预处理器以保证行为一致。
sklearn-onnx 是目前最稳定、兼容性最好的转换方案，不是所有 scikit-learn 模型都能无损转 ONNX，但主流分类器、回归器和预处理器基本都支持。关键在于 **类型声明必须匹配训练数据的实际 dtype 和 shape**，否则 to_onnx 会静默失败或生成不可用的模型。
为什么 to_onnx 报错 "initial_types is required"？
这是最常遇到的卡点：新版 skl2onnx（0.9+）强制要求显式声明输入类型，不再接受空或推断。错误不是因为模型本身有问题，而是没告诉转换器“你的输入长什么样”。
-
initial_types必须是 list of tuples，格式为[('input_name', type_info)]，不能写成['input']或省略 - type_info 不能只写
np.float32，得带 shape：用DoubleTensorType（对应float64）或FloatTensorType（对应float32），来自skl2onnx.common.data_types - shape 中 batch 维必须设为
None（表示动态），例如FloatTensorType([None, 4])表示任意 batch size、4 列特征 - 如果训练时用了
astype(np.float32)，这里就必须用FloatTensorType；混用float64训练 +FloatTensorType声明会导致运行时报InvalidArgument: Input data type mismatch
线性模型（如 LinearRegression）导出后预测结果对不上？
这不是精度问题，而是 ONNX 默认不包含输入预处理逻辑。scikit-learn 的 LinearRegression 不做归一化，但如果你在训练前手动做了 StandardScaler，而没把 scaler 一起转进去，ONNX 模型就只会执行原始线性计算，跳过了标准化步骤。
- 正确做法是用
sklearn.pipeline.Pipeline把预处理器和模型串起来，再整体传给to_onnx - 单独转换
StandardScaler也行，但必须用convert_sklearn（来自onnxmltools）或确保skl2onnx支持该版本 scaler —— 有些旧版sklearn的RobustScaler就不被支持 - 验证方式：用同一组测试数据，分别跑原 pipeline 和 ONNX 模型输出，用
np.allclose(..., atol=1e-5)对比，不要只看整数部分
RandomForestClassifier 转 ONNX 后体积暴涨？
ONNX 会把整棵树结构展开为节点图，深度越大、树越多，模型文件就越大。一个 100 棵树、最大深度 10 的森林，ONNX 文件可能比 joblib 大 3–5 倍，但这不影响推理速度。
- 体积增大是正常现象，不是 bug；ONNX Runtime 加载时会做图优化，实际内存占用未必同比例增长
- 若需压缩，可在
to_onnx里加参数options={type(model): {'nocache': True}}关闭某些缓存机制（仅限部分模型） - 更有效的方式是训练时控制复杂度：减小
n_estimators、限制max_depth或启用ccp_alpha剪枝，这比后期压缩 ONNX 更直接 - 注意：ONNX 不支持
oob_score或feature_importances_这类训练期属性，转完就没了
转换后 ONNX 模型在 onnxruntime 里报 InvalidGraph？
大概率是 opset 版本不匹配。scikit-learn 模型依赖的算子（如 TreeEnsembleClassifier）在不同 ONNX opset 中行为有差异，而 skl2onnx 默认用的是较新版本（如 17），但旧版 onnxruntime 可能只支持到 15。
立即学习“Python免费学习笔记（深入）”；
- 先查环境：
import onnxruntime; print(onnxruntime.__version__)，再查它支持的最高 opset（见官方文档） - 转换时显式指定：
to_onnx(..., target_opset=15)，别依赖默认值 - 避免混合使用
onnxmltools和skl2onnx：前者已基本停止维护，后者是当前主力，两者生成的 ONNX 结构不完全兼容 - 调试技巧：用
onnx.checker.check_model(onnx_model)验证模型合法性，比直接 runtime 加载更快定位图结构问题
['setosa', 'versicolor', 'virginica'] 字符串，ONNX 默认只输出 class index（0/1/2）。需要额外用 StringLabelEncoder 或后处理逻辑补全，这个细节在跨平台部署时经常导致下游服务解析失败。 
