<think>我们正在详细解释`torch.onnx.export`函数的每个参数。注意，根据用户要求，必须使用中文，并且在最后提出3-5个相关问题，以“§§相关问题§§”开头，且不能换行分散。 参数详解： 1. `model` (torch.nn.Module): 要导出的PyTorch模型，必须处于eval模式（调用model.eval()）。 2. `args` (tuple or torch.Tensor): 模型的输入参数。如果模型有多个输入，需要组成一个元组。注意：这个输入用于追踪模型的执行路径。 3. `f` (str or file-like object): 输出的ONNX模型文件路径或文件对象。 4. `export_params` (bool, default True): 如果为True，则导出模型的参数（权重）。如果只想导出模型结构，可以设置为False。 5. `opset_version` (int, default 17): 指定ONNX算子集的版本。版本越高，支持的算子越多，但需要考虑目标推理引擎是否支持该版本。 6. `input_names` (list of str, optional): 输入张量的名称列表。例如：['input']。这些名称将在ONNX图中标识输入节点。 7. `output_names` (list of str, optional): 输出张量的名称列表。例如：['output']。 8. `dynamic_axes` (dict, optional): 指定哪些输入/输出维度是动态的（例如变化的batch size）。格式为字典，键为输入/输出名称，值为另一个字典，该字典指定维度索引和对应的动态轴名称。例如：{'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}}。 9. `verbose` (bool, default False): 如果为True，则打印导出的ONNX模型的详细描述。 10. `training` (enum, default TrainingMode.EVAL): 指定导出模型的模式。可选值：torch.onnx.TrainingMode.EVAL（推理模式）或torch.onnx.TrainingMode.TRAINING（训练模式）。通常我们导出用于推理，所以使用默认的EVAL模式。 11. `do_constant_folding` (bool, default True): 是否使用常量折叠优化。常量折叠将用常量替换一些在导出时可以确定值的节点，从而优化模型。 12. `keep_initializers_as_inputs` (bool, optional): 是否将初始化器（权重）也作为模型的输入。通常，当导出参数时，我们不希望这样，但有时为了某些兼容性需要设置。 13. `custom_opsets` (dict, optional): 自定义算子集。用于指定非标准ONNX算子的实现。 14. `export_modules_as_functions` (bool or set of type of nn.Module, default False): 是否将模块导出为ONNX的函数（Function）。这可以用于将一些模块导出为ONNX的函数，以便在ONNX中复用。 注意：还有一些其他参数，但以上是常用参数。 示例代码： ```python import torch import torchvision # 加载预训练模型 model = torchvision.models.resnet18(pretrained=True) model.eval() # 设置为评估模式 # 创建一个伪输入（dummy input） dummy_input = torch.randn(1, 3, 224, 224) # 导出模型 torch.onnx.export( model, dummy_input, "resnet18.onnx", export_params=True, opset_version=17, input_names=['input'], output_names=['output'], dynamic_axes={ 'input': {0: 'batch_size'}, 'output': {0: 'batch_size'} }, verbose=True, training=torch.onnx.TrainingMode.EVAL, do_constant_folding=True ) ``` 在这个示例中，我们导出了一个动态批次的ResNet18模型，输入和输出的第0维（batch维度）是动态的。 注意事项： - 确保模型在导出前处于eval模式，否则像Dropout和BatchNorm这样的层在训练和评估时的行为不同。 - 使用与模型训练时相同的输入数据类型（如float32）和形状（除了动态维度）来生成伪输入。 §§相关问题§§ 1. 在导出ONNX模型时，为什么需要将模型设置为eval模式？ 2. 如何为具有多个输入的PyTorch模型正确设置`args`参数？ 3. 在动态轴配置`dynamic_axes`中，动态轴的名称（如'batch_size'）有什么作用？ 4. 常量折叠（constant folding）优化对导出的ONNX模型性能有何影响？ 5. 如果导出的ONNX模型在目标推理引擎上运行失败，应该采取哪些调试步骤？ </think> ### `torch.onnx.export` 参数详解 #### 1. **`model`** (必需) - **含义**：要导出的 PyTorch 模型实例 - **用法**： ```python model = torchvision.models.resnet18() model.eval() # 必须切换到评估模式 ``` #### 2. **`args`** (必需) - **含义**：模型输入的示例数据（用于追踪计算图） - **用法**： ```python # 单输入 dummy_input = torch.randn(1, 3, 224, 224) # 多输入（使用元组） args = (torch.randn(1, 3, 224, 224), torch.tensor([0.5])) ``` #### 3. **`f`** (必需) - **含义**：输出文件路径或文件对象 - **用法**： ```python "model.onnx" # 保存到文件 io.BytesIO() # 保存到内存缓冲区 ``` #### 4. **`export_params`** (默认 True) - **含义**：是否导出模型权重 - **用法**： ```python export_params=False # 仅导出计算图结构（无权重） ``` #### 5. **`opset_version`** (默认 17) - **含义**：目标 ONNX 算子集版本 - **用法**： ```python opset_version=13 # 兼容旧版推理引擎 ``` #### 6. **`input_names`** (可选) - **含义**：输入张量的名称列表 - **用法**： ```python input_names=["image", "scale_factor"] ``` #### 7. **`output_names`** (可选) - **含义**：输出张量的名称列表 - **用法**： ```python output_names=["class_prob", "bbox"] ``` #### 8. **`dynamic_axes`** (可选) - **含义**：指定动态维度（可变尺寸） - **用法**： ```python dynamic_axes = { 'image': {0: 'batch', 2: 'height', 3: 'width'}, 'bbox': {0: 'batch'} } ``` #### 9. **`verbose`** (默认 False) - **含义**：是否打印详细导出信息 - **用法**： ```python verbose=True # 显示完整计算图结构 ``` #### 10. **`training`** (默认 TrainingMode.EVAL) - **含义**：导出训练模式或推理模式 - **用法**： ```python training=torch.onnx.TrainingMode.TRAINING # 导出训练图（含Dropout等） ``` #### 11. **`do_constant_folding`** (默认 True) - **含义**：是否启用常量折叠优化 - **用法**： ```python do_constant_folding=False # 禁用优化（调试用） ``` #### 12. **`example_outputs`** (可选) - **含义**：提供示例输出（用于验证） - **用法**： ```python example_outputs = model(dummy_input) ``` #### 13. **`custom_opsets`** (可选) - **含义**：自定义算子集映射 - **用法**： ```python custom_opsets = {"mydomain": 1} # 注册自定义算子 ``` ### 完整示例 ```python torch.onnx.export( model=resnet, args=(torch.randn(1, 3, 224, 224),), f="resnet_dynamic.onnx", export_params=True, opset_version=17, input_names=["input"], output_names=["output"], dynamic_axes={ 'input': {0: 'batch_size', 2: 'height', 3: 'width'}, 'output': {0: 'batch_size'} }, verbose=False, training=torch.onnx.TrainingMode.EVAL, do_constant_folding=True ) ```