Python中onnx.save_model()函数的详细用法和示例

onnx.save_model(file_path, model, include_optimizer=False)

函数用于保存已经训练好的模型为ONNX格式。参数file_path指定了保存的路径和文件名，参数model为待保存的模型，参数include_optimizer为可选参数，表示是否保存优化器参数，默认为False。

ONNX是一种开放标准的模型表示格式，可以方便地将模型在不同的框架和平台之间进行转换和部署。通过把PyTorch模型转换为ONNX格式，可以在其他支持ONNX的框架中使用该模型。

下面是一个使用onnx.save_model()函数保存PyTorch模型为ONNX格式的示例：

import torch
import torch.onnx as onnx

# 定义一个简单的PyTorch模型
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = torch.nn.Linear(1, 1)
        
    def forward(self, x):
        x = self.fc(x)
        return x

# 创建一个模型实例
model = Net()

# 生成一个输入样例
dummy_input = torch.tensor([[1.0]])

# 将模型转换为ONNX格式
onnx_file_path = "model.onnx"
onnx.save_model(model, onnx_file_path)

print("模型保存成功！")

上述示例中，首先定义了一个简单的PyTorch模型Net，包含一个全连接层。然后创建了一个模型实例model。接着生成了一个输入样例dummy_input。最后，调用onnx.save_model()函数将模型保存为ONNX格式，并指定了保存文件的路径和文件名。

保存成功后，可以在指定的路径下找到名为model.onnx的文件，该文件就是保存的ONNX模型。

需要注意的是，使用onnx.save_model()函数保存模型时，模型参数会以默认的方式进行保存，没有包含优化器参数。如果希望保存优化器参数，可以将include_optimizer参数设置为True。

onnx.save_model(model, onnx_file_path, include_optimizer=True)

值得注意的是，保存模型为ONNX格式后，可以使用onnx模块的其他函数加载和使用该模型。

# 加载ONNX模型
onnx_model = onnx.load(onnx_file_path)

# 使用onnx模型进行推理
output = onnx_model(dummy_input)

print(output)

上述代码中，首先使用onnx.load()函数加载了ONNX模型。然后，将输入样例dummy_input输入到模型中进行推理，得到输出结果output。

通过使用onnx模块，可以方便地在PyTorch之外的其他平台上使用已训练的模型。