使用onnx.save_model()函数将Python模型保存为ONNX格式的完整教程

ONNX（Open Neural Network Exchange）是一种开放的机器学习模型交换格式，它可以使不同的深度学习框架之间的模型互操作变得更容易。ONNX使得将模型从一个框架转移到另一个框架成为可能，而不需要重新训练模型。

在这个教程中，我将向您展示如何使用onnx.save_model()函数将Python模型保存为ONNX格式。我们将使用一个简单的图像分类任务作为例子来说明这一过程。

首先，我们需要安装ONNX库。您可以使用以下命令来在Python中安装ONNX：

pip install onnx

接下来，我们需要创建一个Python模型。在这个例子中，我将使用PyTorch来训练一个简单的图像分类模型，并将其保存为ONNX格式。

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.models as models
import torchvision.transforms as transforms

# 创建并训练一个图像分类模型
model = models.resnet18(pretrained=True)
model.fc = nn.Linear(512, 10)  # 替换模型的最后一层
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

# 准备图像数据集
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
])
dataset = torchvision.datasets.ImageFolder('path_to_dataset', transform=transform)
dataloader = torch.utils.data.DataLoader(dataset, batch_size=4, shuffle=True)

# 训练模型
epochs = 10
for epoch in range(epochs):
    running_loss = 0.0
    for i, data in enumerate(dataloader):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
    print('Epoch {} Loss: {}'.format(epoch+1, running_loss / len(dataloader)))

# 保存模型为ONNX格式
torch.onnx.export(model, torch.randn(1, 3, 224, 224), 'path_to_save_model.onnx')

上述代码中，我们使用了预训练的ResNet-18模型，并替换了最后一层以适应我们的分类任务。然后，我们使用准备好的图像数据集训练了模型。最后，我们使用torch.onnx.export()函数将模型保存为ONNX格式。此函数需要三个参数：模型对象、输入张量的样例和保存路径。

您可以将代码中的'path_to_dataset'替换为您自己的图像数据集路径，并将'path_to_save_model.onnx'替换为您要保存模型的路径。

保存模型后，您可以通过以下方式加载它：

import onnx

model = onnx.load('path_to_save_model.onnx')

现在，您已经学会了如何使用onnx.save_model()函数将Python模型保存为ONNX格式。您可以将这些代码应用于自己的深度学习模型，并将其从一个框架转移到另一个框架。