使用Python中的onnx.save_model()函数保存模型

在Python中使用onnx.save_model()函数可以将训练好的模型保存为ONNX格式，以便在其他框架中使用。ONNX是一种开放标准的模型表示方法，可以跨多种深度学习框架进行模型的转换和部署。

下面是一个使用onnx.save_model()函数保存模型的例子：

import torch
import torchvision
import onnx

# 加载预训练模型
model = torchvision.models.resnet18(pretrained=True)
# 设置模型为推理模式
model.eval()

# 创建一个示例输入
x = torch.randn(1, 3, 224, 224)
# 将模型转换为ONNX格式
onnx_model = onnx.export(model, x, "resnet18.onnx", export_params=True)
# 保存ONNX格式的模型到文件
onnx.save_model(onnx_model, "resnet18.onnx")

在上面的例子中，我们首先使用torchvision.models中的resnet18模型，并加载预训练的权重。然后，我们设置模型为推理模式，即取消Dropout和BatchNorm等层的训练特性。接下来，我们创建一个示例输入x，其尺寸为(1, 3, 224, 224)，表示一张224x224大小的彩色图片。最后，我们使用onnx.export()函数将模型转换为ONNX格式，并使用onnx.save_model()函数将其保存到文件中。

在执行完上述代码后，将生成名为resnet18.onnx的文件，它是一个包含了模型结构、参数和计算图等信息的ONNX格式文件。这个文件可以被导入到其他深度学习框架（如TensorFlow）中使用，或者使用ONNX Runtime进行部署和推理。

需要注意的是，调用onnx.save_model()函数时，参数中的model应为通过onnx.export()函数转换后的ONNX模型对象，而不是直接传入原始模型对象。

以上就是使用Python中的onnx.save_model()函数保存模型的示例，希望对你有帮助！