PyTorch模型导出ONNX需显式控制计算图与算子兼容性：必须调用model.eval()和torch.no_grad()，避免Python控制流，剥离非张量状态，设置opset_version≥14、dynamic_axes、input/output_names，导出后用onnx.checker.check_model验证。
PyTorch模型导出为ONNX不是“一键转换”，而是需要显式控制计算图结构和算子兼容性；不加干预直接调用 torch.onnx.export 很可能在推理时崩溃或输出错误结果。
导出前必须冻结模型并切换到 eval() 模式
训练模式下的 Dropout、BatchNorm 等层行为与推理不一致，ONNX 导出会捕获训练态的动态逻辑（比如随机丢弃），导致部署后结果不可复现。
- 务必调用
model.eval()，再用torch.no_grad()包裹 dummy input 推理 - 避免在模型定义中使用 Python 控制流（如
if x.sum() > 0:），这类逻辑无法被 ONNX 图捕获——改用torch.where或torch.nn.functional中的可导算子 - 若模型含自定义
forward中的非张量状态（如缓存字典、计数器），需提前剥离或替换为torch.nn.Module子模块
torch.onnx.export 的关键参数不能默认
默认参数对大多数真实模型都不安全，尤其是动态轴、opset 版本和输入/输出名称缺失时，后续在 ONNX Runtime 或 TensorRT 中加载会失败。
-
opset_version至少设为14（PyTorch 1.12+ 推荐），低于12会导致aten::算子残留，ONNX 工具链无法识别 - 用
dynamic_axes显式声明哪些维度是动态的，例如{"input": {0: "batch"}, "output": {0: "batch"}}；漏掉会导致固定 batch size，部署时换尺寸就报错 - 必须传入
input_names和output_names，否则 ONNX 模型节点名是随机生成的，下游无法按名绑定输入数据 - 加上
do_constant_folding=True（默认），但注意：若模型含依赖训练状态的常量（如 BN 的 running_mean），需先model.eval()再导出，否则折叠会出错
导出后必须用 onnx.checker.check_model 验证
很多“导出成功”的文件其实结构非法，只是没立刻报错——等你用 ONNX Runtime load 并 run 时才崩，错误信息往往晦涩（如 “Node is not in topological order”）。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
- 导入
onnx包后，用onnx.load("model.onnx")加载，再调用onnx.checker.check_model(model)；它会校验图结构、类型、形状兼容性 - 如果报
ValidationError: Input size 3 not in range [1, 2]这类错误，通常是某层输出 shape 被误推断（常见于自定义 reshape 或 view），需回查 dummy input shape 是否匹配实际部署尺寸 - 用
onnx.shape_inference.infer_shapes补全缺失 shape 信息，某些推理引擎（如 TensorRT）强依赖此信息
动态输入尺寸在 PyTorch 侧要靠 torch.jit.trace 或 torch.jit.script 预处理
纯 torch.onnx.export 对 if/for 等控制流支持弱，而图像检测、NLP 中变长序列很常见。直接导出会静默降级为静态图，丢失动态能力。
- 对含
torch.jit.script的模型，先用torch.jit.script(model)封装，再导出；它能保留 Python 控制流语义并映射为 ONNX 的Loop/If算子（需 opset ≥ 13） - 若用
torch.jit.trace，dummy input 必须覆盖所有分支路径（例如不同长度的文本），否则 trace 结果只包含单一分支 - 注意：
torch.jit.script不支持所有 Python 特性（如字典推导式、嵌套函数），报错时需改写为显式循环或torch.nn.ModuleList
最易被忽略的是：ONNX 文件本身不包含模型权重数据格式说明，float16 权重导出后仍是 float32，除非手动用 onnx.numpy_helper 修改 tensor data_type 并重写模型——这步一旦出错，整个图就失效。别跳过验证环节。
