Python模型转ONNX,skl2onnx提升推理速度
本文深入解析了使用skl2onnx将scikit-learn模型转换为ONNX格式的关键实践与常见陷阱:强调模型必须先完成fit才能提供必要元信息(如classes_、feature_names_in_),输入示例X_sample需严格匹配真实推理的shape和dtype,输出应优先通过字段名(如'label'、'probabilities')而非索引访问以确保语义一致;同时澄清ONNX模型体积显著增大是因参数被展开为常量节点所致,属正常现象,真正影响推理性能的是ONNX Runtime的执行器配置与硬件加速器(如CUDA)选用——转换成功只是起点,类型对齐、输出解析和运行时优化才是落地加速的核心。

skl2onnx 保存 sklearn 模型为 ONNX 的基本流程
skl2onnx 不是把模型“导出”就完事,它本质是把 sklearn 的训练逻辑翻译成 ONNX 的计算图。必须提供一个带类型信息的输入示例(X_sample),否则会报 ValueError: Unable to infer schema。
- 先用
convert_sklearn,传入训练好的模型、模型名(任意字符串)、X_sample(必须是 numpy array,shape 和 dtype 要匹配真实推理输入) X_sample维度不能是空或动态 batch:比如模型实际接收(1, 4),你就得给np.array([[1.0, 2.0, 3.0, 4.0]]),而不是np.array([1.0, 2.0, 3.0, 4.0])- 支持的 sklearn 版本和 ONNX opset 有强绑定:skl2onnx 1.15+ 推荐配 ONNX 1.14+ 和 opset=15;用太低的 opset(如 12)可能触发
UnsupportedShapeError
常见报错:AttributeError: 'LogisticRegression' object has no attribute 'classes_'
这是模型没调用 fit() 就直接传给 convert_sklearn——skl2onnx 依赖 classes_、feature_names_in_ 等拟合后属性推导输出结构。哪怕你用 predict_proba,也得先 fit 一次(哪怕只喂一行 dummy 数据)。
- 解决方法:在保存前补一句
model.fit(X_dummy, y_dummy),其中X_dummy形状和真实数据一致,y_dummy类型匹配(分类任务用 int,回归用 float) - 注意
y_dummy必须和训练时一致:比如训练用的是['cat', 'dog'],那y_dummy得是np.array(['cat']),不能是[0],否则转换后输出 label 映射错乱 - 如果模型本身不支持
fit(如某些 pipeline 中间步骤),说明它根本不该被单独转 ONNX——得整个 pipeline 一起转,或拆掉该组件
ONNX 推理时 output shape 和 sklearn 不一致?
skl2onnx 默认把 sklearn 的 predict() 输出映射为 ONNX 的第一个 output,但像 RandomForestClassifier 这类模型,ONNX 图里 label 和 probability 是两个独立 output,而 sklearn 的 predict() 只返回 label。如果你只取第一个 output,看起来对,但其实绕过了概率校准逻辑。
- 用
onnxruntime.InferenceSession加载后,先看session.get_inputs()[0].shape和session.get_outputs()确认输入 shape 和输出字段名 - 分类模型通常有两个输出:
label(int64)和probabilities(float32,shape=(N, n_classes));别硬套 sklearn 的predict()返回习惯 - 如果需要和 sklearn 行为完全一致,建议在 ONNX runtime 里显式取
outputs['label'][0],而不是outputs[0][0]——字段名比位置更可靠
为什么 ONNX 模型体积比 joblib 大很多?
skl2onnx 把模型参数全部展开成常量节点写进图里,不像 joblib 那样做紧凑序列化。尤其树模型(如 DecisionTreeClassifier)转完 ONNX 后体积可能翻 3–5 倍,不是 bug,是 ONNX 计算图的表达代价。
- 压缩手段有限:可以用
onnx.shape_inference.infer_shapes+onnx.optimizer.optimize(旧版)或onnxsim.simplify(推荐)做轻量精简,但无法改变底层结构膨胀 - 真正影响推理速度的不是文件大小,而是 ONNX Runtime 是否启用了优化执行器(如
ExecutionMode.ORT_PARALLEL)和 provider(CUDAExecutionProvider优先于CPUExecutionProvider) - 如果部署环境内存紧张,与其纠结 ONNX 体积,不如检查是否真需要把整个 pipeline 转过去——有时只转核心 estimator,前后处理留在 Python 更实际
ONNX 的坑不在“能不能转”,而在“转完怎么用”。类型对齐、output 字段语义、runtime provider 选择,这三处漏掉任何一环,都可能让加速变成减速。
文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《Python模型转ONNX,skl2onnx提升推理速度》文章吧,也可关注golang学习网公众号了解相关技术文章。
JavaScript如何获取用户地理位置
- 上一篇
- JavaScript如何获取用户地理位置
- 下一篇
- 圆通速递app如何查派送时间?
-
- 文章 · python教程 | 1天前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 2天前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 2天前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 2天前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 2天前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1173次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1155次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1338次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1281次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1139次使用
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

