必须满足：模型已fit且为skl2onnx支持类型（如RandomForestClassifier）；使用sklearn 0.24+；输入dtype为float32/64，特征列名不含特殊字符；显式声明initial_types（如[('input', FloatTensorType([None, 4]))]）；Pipeline中各步骤均需ONNX兼容。
scikit-learn模型导出ONNX前必须满足哪些条件
不是所有 sklearn 模型都能直接转 ONNX。ONNX Runtime 对 scikit-learn 的支持依赖于 skl2onnx 这个转换库，而它只覆盖了部分 estimator 类型——比如 LogisticRegression、RandomForestClassifier、SVC（需 linear 或 rbf kernel）、StandardScaler 等常见模型；但像 IsolationForest、DBSCAN、CalibratedClassifierCV（嵌套结构）目前不支持。
- 必须使用
sklearn0.24+（旧版本可能缺少类型注解或 API 兼容性） - 模型必须已
fit，不能是未训练的空实例 - 输入数据类型要明确：ONNX 不接受
objectdtype，特征列名若含特殊字符（如空格、点号）可能触发转换失败 - 多输出模型（如
MultiOutputRegressor）需手动拆解或改用MultiOutputClassifier（仅部分支持）
用skl2onnx完成转换的最小可行代码
核心是三步：定义输入类型 → 构建转换器 → 调用 convert_sklearn。别跳过 skl2onnx.convert.convert_sklearn 的 initial_types 参数，否则会报 MissingShapeInference 或 UnknownType 错误。
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
from sklearn.ensemble import RandomForestClassifier
import numpy as np
<h1>训练一个简单模型</h1><p>X = np.random.randn(100, 4)
y = (X[:, 0] + X[:, 1] > 0).astype(int)
model = RandomForestClassifier(n_estimators=3, max_depth=3).fit(X, y)</p><h1>关键：指定输入张量形状和类型（4 列特征，batch 维设为 None 表示动态）</h1><p>initial_type = [('float_input', FloatTensorType([None, 4]))]</p><h1>转换</h1><p>onx = convert_sklearn(model, initial_types=initial_type)</p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/00968c3c2c15" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">Python免费学习笔记（深入）</a>”；</p><h1>保存</h1><p>with open("rf_model.onnx", "wb") as f:
f.write(onx.SerializeToString())</p>-
FloatTensorType([None, 4])中的None表示 batch size 可变，这是部署时的关键灵活性 - 如果用
Pipeline，必须确保每一步都支持 ONNX（例如SimpleImputer支持，但FunctionTransformer默认不支持，需自定义 converter） - 不要用
joblib或pickle加载模型后再转——先确认原始模型对象能被skl2onnx识别
验证ONNX模型是否等价于原sklearn模型
转换后不验证，等于没转。最可靠方式是用相同输入跑原模型和 ONNX 模型，比对输出（尤其是概率、预测标签）。注意：
-
onnxruntime.InferenceSession的输入 key 必须和initial_types中定义的 name 一致（上例中是"float_input"） - 分类任务中，ONNX 输出可能是
"probabilities"和"label"两个 tensor，而 sklearn 的predict_proba返回二维数组，需对齐维度和顺序 - 浮点精度差异在 1e-5 内属正常；若误差 > 1e-3，大概率是预处理不一致（比如 sklearn pipeline 里用了
StandardScaler，但 ONNX 输入没做同样归一化）
import onnxruntime as ort
<p>sess = ort.InferenceSession("rf_model.onnx")
input_name = sess.get_inputs()[0].name
pred_onx = sess.run(None, {input_name: X.astype(np.float32)})[0]</p><h1>sklearn 预测（注意 dtype 一致）</h1><p>pred_sk = model.predict(X.astype(np.float32))</p><p>print(np.allclose(pred_sk, pred_onx.flatten(), atol=1e-5)) # True 才算过关</p>常见报错与绕过方法
Unsupported shape calculation for operator xxx：通常是模型用了非常规参数（如 RandomForestClassifier(criterion="entropy") 在老版 skl2onnx 中不支持），降级到 criterion="gini" 或升级 skl2onnx>=1.12。
KeyError: 'XXX'：Pipeline 中某步的类名未被注册进 converter registry，可手动注册（见文档 register_converter），但更稳妥的是避免使用非标准 transformer。
RuntimeError: No opset imported：说明 ONNX opset 版本太低，默认是 opset 11，某些新模型需要 opset 12+，加参数 target_opset=12 即可。
-
skl2onnx对OneHotEncoder的支持较弱（尤其drop参数），建议用OrdinalEncoder+OneHotEncoder(sparse=False)组合，并显式设categories='auto' - Windows 上编译
skl2onnx可能失败，优先用 pip 安装预编译 wheel：pip install skl2onnx，别用 conda-forge 的旧版
ONNX 转换真正的难点不在代码几行，而在模型结构是否“干净”——有没有隐式依赖、有没有手工写的 transform 方法、有没有混用 pandas 和 numpy。越贴近 sklearn 原生 estimator 的写法，转换成功率越高。
