应优先降级opset版本、替换不支持算子（如bicubic→bilinear）、避免动态索引、确保model.eval()并冻结梯度；导出后须用目标推理引擎（如ONNX Runtime、TensorRT）验证兼容性而非仅校验语法。
PyTorch导出ONNX时提示“Exporting op aten::xxx not supported”怎么办？
这是最常遇到的卡点：PyTorch模型里用了ONNX不认的算子，比如torch.nn.functional.interpolate带mode="bicubic"、torch.where嵌套布尔索引、或自定义torch.autograd.Function。ONNX官方opset（目前主流用opset 14/16）并不覆盖PyTorch全部动态行为，尤其涉及控制流或高阶插值时。
解决思路不是硬改模型结构，而是让PyTorch导出器“看得懂”——通过显式指定参数、降级模式、或插入兼容层：
- 把
interpolate的mode从"bicubic"换成"bilinear"或"nearest"（ONNX只原生支持这两种） - 避免在
forward里直接写x[x > 0]这类动态shape索引，改用torch.where(x > 0, x, torch.zeros_like(x)) - 对自定义
Function，要么重写为纯torch算子组合，要么用torch.onnx.register_custom_op_symbolic注册symbolic函数（需对应ONNX domain）
为什么torch.onnx.export加了opset_version=16还是报错？
opset版本只是定义了ONNX标准里有哪些算子可用，并不等于PyTorch导出器实现了全部。比如opset 16支持Resize算子，但PyTorch 2.0+才真正把interpolate映射到它；而PyTorch 1.13对opset 16的支持仍有限。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先查你用的PyTorch版本对目标opset的
support matrix（官网文档搜“ONNX export support”） - 降级opset试试：
opset_version=11反而更稳——很多老算子兼容性更好，且TensorRT/OpenVINO对opset 11支持最成熟 - 用
verbose=True和operator_export_type=torch.onnx.OperatorExportTypes.ONNX_ATEN_FALLBACK临时绕过，但生成的ONNX含ATEN算子，后续推理引擎大概率不认
导出后ONNX模型能加载，但推理结果和PyTorch不一致？
这通常不是算子不支持，而是导出时没冻结动态行为。典型场景包括：
-
torch.nn.Dropout或torch.nn.BatchNorm2d在train=True下导出，ONNX里会保留训练态逻辑，推理时输出随机或偏差大 - 输入
dynamic_axes没设准，比如把batch维度标成{'input': {0: 'batch'}}，但实际推理时喂了batch=1的tensor，某些runtime会因shape推导失败而静默fallback到默认值 -
torch.no_grad()没包裹导出前的模型调用，导致requires_grad=True的参数被错误追踪
务必在导出前执行model.eval()，并确认所有nn.Module子模块都进入eval模式（有些第三方库的模块需手动调.eval()）。
想快速验证ONNX是否可被目标推理引擎接受？
别等部署时才发现问题。本地用onnx.checker.check_model只能验语法，真正要测的是runtime兼容性：
- 用
onnxruntime最小化加载：import onnxruntime as ort<br>sess = ort.InferenceSession("model.onnx")——如果报RuntimeException: Load model failed，基本是op不支持或shape推导失败 - 对TensorRT，跑
trtexec --onnx=model.onnx --verbose 2>&1 | grep -i "error\|fail"，比ONNX checker更能暴露底层算子映射问题 - 导出时加
do_constant_folding=True（默认True），但若模型含torch.tensor([1.0], requires_grad=True)这类张量，折叠可能出错，此时关掉它再试
复杂模型里一个torch.einsum或torch.scatter就可能触发整个导出链失败，与其反复试错，不如先用torch.jit.trace转ScriptModule，再导出——JIT能提前暴露不可trace的动态逻辑。
