必须已训练完成且输入类型明确，使用skl2onnx库（非onnxmltools），模型类需被其支持（如RandomForestClassifier可，IsolationForest不可），预处理器须整合进Pipeline，initial_types需显式声明匹配数据shape与dtype。

scikit-learn模型导出ONNX前必须满足哪些前提？

不是所有sklearn模型都能直接转ONNX。核心限制在于：ONNX Runtime只支持sklearn中被skl2onnx库明确覆盖的类和方法。比如RandomForestClassifier、SVC、LogisticRegression基本都支持，但IsolationForest或自定义Transformer大概率失败。

• 必须用skl2onnx（不是onnxmltools，后者已弃用）
• 模型必须已训练完成（fit过），且输入数据类型明确（如float32）
• 避免使用lambda、闭包、或依赖外部状态的transform逻辑
• 如果用了ColumnTransformer，需确保每个子transformer也在支持列表中（比如OneHotEncoder可以，FunctionTransformer带匿名函数就不行）

如何用skl2onnx正确调用convert_sklearn？

convert_sklearn是核心函数，但它不接受原始训练数据，而是需要一个“类型声明”——即用skl2onnx.convert.convert_sklearn配合skl2onnx.common.data_types里的类型描述符。

• 先确定输入特征数和类型：FloatTensorType([(None, n_features)])（None表示batch可变）
• initial_types参数必须传入列表，哪怕只有一个输入：[('input', FloatTensorType([None, 4]))]
• target_opset建议显式指定，如12或15，避免因版本升级导致op不兼容
• 示例：

  from skl2onnx import convert_sklearn
  from skl2onnx.common.data_types import FloatTensorType
  from sklearn.ensemble import RandomForestClassifier
  </li></ul><p>model = RandomForestClassifier().fit(X_train, y_train)
  initial_type = [('input', FloatTensorType([None, X_train.shape[1]]))]
  onx = convert_sklearn(model, initial_types=initial_type, target_opset=15)
  with open("model.onnx", "wb") as f:
  f.write(onx.SerializeToString())</p>

  为什么保存后用onnxruntime加载报错“Invalid graph”？

  这类错误八成出在输入名或类型不匹配。ONNX图对输入节点名极其敏感，而convert_sklearn默认把输入命名为input，但如果你在推理时用了别的名字（比如'X'），就会失败。

  

  python-script-generator

  快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

  下载
  • 加载后务必检查输入名：sess.get_inputs()[0].name，和你sess.run时传的key一致
  • 输入数据必须是numpy.ndarray且dtype为np.float32（即使训练时是float64，ONNX默认按float32导出）
  • 若模型含预处理（如StandardScaler），不能只转预测器——得把整个Pipeline一起转，否则onnxruntime运行时不会自动标准化
  • 常见错误信息如"Node:SklearnStandardScaler Input index: 0 does not have the same shape as other inputs"，说明StandardScaler没被正确集成进ONNX图

  Pipeline包含多个步骤时怎么保证端到端转换？

  skl2onnx支持sklearn.pipeline.Pipeline，但前提是每一步都兼容。最稳妥的方式是用skl2onnx.convert.to_onnx（新接口），它比convert_sklearn更智能地推断类型。

  立即学习“Python免费学习笔记（深入）”；

  • 不要手动拼接多个ONNX模型；用Pipeline对象整体传入to_onnx
  • 若含ColumnTransformer，确保每个transformer子类被支持，且remainder='passthrough'时，列顺序和类型必须与训练时完全一致
  • 示例中若X_train是pandas.DataFrame，转之前先用X_train.values.astype(np.float32)，避免类型推断失败
  • 转换后建议立刻用onnx.checker.check_model(onx)验证结构合法性，再用onnxruntime.InferenceSession做最小输入测试

  ONNX转换真正卡住的地方，往往不在模型本身，而在你没意识到的隐式假设：比如sklearn里容忍的int标签，ONNX可能要求int64；又比如predict_proba输出维度在ONNX里可能多一层。动手前先跑通checker和最小session推理，比后期调试快得多。