scikit-learn模型导出ONNX前须确认支持性、显式声明输入类型与shape、完整转换pipeline、并严格验证输出一致性；否则易因不兼容、shape mismatch、逻辑缺失或精度偏差导致部署失败。
scikit-learn 模型导出 ONNX 前必须确认支持性
不是所有 sklearn 模型都能转 ONNX —— skl2onnx 只支持白名单内的 estimator 和 transformer。比如 RandomForestClassifier、LogisticRegression、StandardScaler 都行，但 IsolationForest 或自定义 TransformerMixin 子类默认不支持，强行调用 convert_sklearn() 会抛 RuntimeError: unable to find converter。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 查官方支持列表：https://www.php.cn/link/99594d0d5f1bc469d458e58d35823e10，注意版本对应（如 sklearn-onnx 1.15 支持 sklearn 1.3+）
- 训练后立刻验证：用
skl2onnx.convert_sklearn(model, ...)尝试转换，别等到部署阶段才发现不兼容 - 若模型含
FunctionTransformer，确保其func是纯 Python 函数（不能含 NumPy ufunc 或闭包状态）
输入类型和 shape 必须显式声明
ONNX 是静态图格式，skl2onnx 不会自动推断输入维度或数据类型。漏设 initial_types 参数会导致转换失败或推理时 shape mismatch 错误，典型报错是 InvalidGraph: Input shape mismatch。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
initial_types必须传入list，例如：[('X', FloatTensorType([None, 4]))]表示任意 batch size、4 列特征 - 列数必须与训练时
X_train.shape[1]严格一致；若用Pipeline，要按最终输入特征数算，不是原始 CSV 列数 - 类型优先用
FloatTensorType（对应float32），除非模型明确依赖int64（如某些计数型编码器）
pipeline 转换需统一处理，不能只转最后一步
直接对 Pipeline 对象调用 convert_sklearn() 是可行的，但常见错误是手动拆开 pipeline、只转换最后一个 estimator —— 这样丢失了预处理逻辑，ONNX 模型输入就不再是原始特征，而是中间变换结果，线上根本跑不通。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 整个 pipeline（含
ColumnTransformer、StandardScaler、OneHotEncoder等）一起传给convert_sklearn() - 确保 pipeline 中所有 step 都在
skl2onnx支持列表里；OneHotEncoder要设drop=None和sparse_threshold=0，否则可能触发不支持路径 - 若 pipeline 含文本处理（如
TfidfVectorizer），需额外安装skl2onnx[extra]并用convert_sklearn(..., options={id(TfidfVectorizer): {'keep_sequence': True}})
验证 ONNX 模型输出是否与 sklearn 一致
转换成功不等于结果正确。常见偏差来源包括：浮点精度差异（尤其在 SVM 或 MLPClassifier 中）、OneHotEncoder 的 missing value 处理逻辑不一致、或 predict_proba 返回顺序与 sklearn 不同（如二分类时 ONNX 可能固定返回 [neg, pos]）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用同一组测试样本（
X_test[:5]）分别跑 sklearn 的predict()/predict_proba()和 ONNX Runtime 的run() - 数值对比用
np.allclose(y_sklearn, y_onnx, atol=1e-5)，别用== - 检查 ONNX 输出名：sklearn pipeline 转换后，输出名可能是
'label'和'probability'，而非默认的'output_label'，需看onnx_model.graph.output
最易被忽略的是：ONNX 模型默认不保留 sklearn 的 classes_ 属性，做多分类部署时，类别映射必须在转换前固化并写进 post-processing 逻辑里。
