在Python中使用onnx.save_model()函数将训练好的模型保存为ONNX文件

在Python中，使用onnx库的save_model()函数可以将训练好的模型保存为ONNX文件。ONNX（Open Neural Network Exchange）是一种开放的深度学习模型格式，它可以在不同的深度学习框架之间无缝地迁移模型。下面是一个示例，演示了如何使用onnx.save_model()函数保存模型为ONNX文件：

首先，我们需要安装onnx库。可以使用以下命令在终端中安装onnx库：

pip install onnx

接下来，我们将假设已经训练了一个神经网络模型，并且保存为了一个PyTorch模型文件（.pt或.pth文件）。现在，我们将使用onnx库将该模型保存为ONNX文件。下面是一个简单的示例代码：

import torch
import onnx
from onnx import onnx_pb
from onnx import optimizer

# 加载训练好的PyTorch模型
model = torch.load('path_to_model.pt')

# 创建一个空的ONNX模型
onnx_model = onnx_pb.ModelProto()

# 将PyTorch模型转换为ONNX模型（      个参数为导出的PyTorch模型，第二个参数为输入数据的形状）
onnx_model = onnx.export(model, (input_shape), onnx_model, verbose=True)

# 优化ONNX模型
passes = []
onnx_model = optimizer.optimize(onnx_model, passes)

# 保存ONNX模型为文件
onnx.save_model(onnx_model, 'path_to_output.onnx')

以上代码中，我们首先导入必要的库。然后，我们使用torch.load()函数加载已经训练好的PyTorch模型。在此之后，我们创建一个空的ONNX模型对象。接着，通过调用onnx.export()函数将PyTorch模型转换为ONNX模型，并将其保存在onnx_model对象中。然后，我们可以通过观察onnx_model对象的内容来查看模型的结构和信息。在此之后，我们可以选择通过onnx.optimizer模块中提供的优化器来优化ONNX模型。最后，我们使用onnx.save_model()函数将优化后的ONNX模型保存为文件。

需要注意的是，代码中的"path_to_model.pt"和"path_to_output.onnx"需要替换成实际的文件路径，以便正确加载和保存模型文件。

总结：通过使用onnx.save_model()函数，我们可以将训练好的PyTorch模型保存为ONNX文件，从而实现跨不同深度学习框架之间模型的迁移和使用。