torch.export 不能直接导出 ONNX，需先用 torch.export 得到 ExportedProgram，再通过 torch.onnx.dynamo_export 或第三方工具转为 ONNX；要求模型可追踪、无副作用、输入仅为 Tensor/tuple/dict、动态尺寸需显式声明。
torch.export 保存 ONNX 的前提条件是什么
torch.export 不是导出 ONNX 的函数，它导出的是 PyTorch 的原生 ExportedProgram。想得到 ONNX 文件，必须再调用 torch.onnx.dynamo_export 或第三方工具（如 onnxscript）做二次转换。直接调用 torch.export 后得到的 ExportedProgram 对象不能被 ONNX 运行时加载。
-
torch.export要求模型必须是「可追踪」且「无副作用」的：不能有print()、time.sleep()、random.choice()等运行时依赖 - 输入必须是
torch.Tensor或嵌套的tuple/dict，不能含 Python 基本类型（如int、str）作为参数传入前向逻辑 - 模型中若使用了
torch.nn.functional.interpolate等动态尺寸操作，需显式提供dynamic_shapes，否则导出会失败或生成静态 shape 的 ONNX
torch.onnx.dynamo_export 是当前最稳的 ONNX 导出路径
PyTorch 2.3+ 推荐用 torch.onnx.dynamo_export 替代旧的 torch.onnx.export，它基于 TorchDynamo，能更好处理带控制流、高阶函数和自定义算子的模型。
- 支持
torch.compile后的模型，也支持原始nn.Module - 必须传入示例输入（
args），且该输入 shape 和 dtype 要覆盖所有可能分支——比如 if 分支里用了不同 size 的 tensor，就得选一个能触发该分支的输入 - 默认不导出权重，只导出计算图；如需权重内联，加参数
export_options=ExportOptions(dynamic_shapes=True) - 示例：
import torch import torch.onnx
model = MyModel().eval() x = torch.randn(1, 3, 224, 224) onnx_program = torch.onnx.dynamo_export(model, x) onnx_program.save("model.onnx")
常见报错：Unsupported op 或 Missing input shape
这类错误基本都源于模型写法越界或导出配置不匹配：
-
Unsupported op: aten._local_scalar_dense.default：说明用了.item()或float(tensor)把 tensor 转成 Python 标量，必须改用tensor.squeeze().detach().cpu().numpy()等后处理方式，别在 forward 里做 -
Input is not a tensor or tuple of tensors：检查传给dynamo_export的args是否包含None、list或str——只接受Tensor、tuple、dict -
Dynamic shape inference failed：模型里用了x.shape[0]做索引或循环次数，但没声明该维度为 dynamic；需用torch.export.Dim显式标记，例如：batch = torch.export.Dim("batch") dynamic_shapes = {"x": {0: batch}} torch.onnx.dynamo_export(model, x, dynamic_shapes=dynamic_shapes)
导出后 ONNX 文件跑不通？先验证这三件事
ONNX 导出成功不等于能跑通，尤其跨框架部署时：
- 用
onnx.checker.check_model验证文件结构是否合法，很多“静默导出成功但实际损坏”的情况靠这个能提前发现 - 用
onnxruntime.InferenceSession加载并跑一次推理，看输出 shape 和数值是否与 PyTorch 一致；注意ort_session.run返回的是 list，不是 dict，键名不保留 - 如果目标平台是 TensorRT 或 Core ML，别直接部署原始 ONNX：它们对 OP set 版本敏感，建议用
onnx.version_converter降级到 OPSET 15 或 16，并手动 fuse BatchNorm
PyTorch 的 ONNX 导出链路现在很依赖 dynamo 的表达能力，而 dynamo 对 control flow 和自定义 C++ 扩展的支持仍有限。如果你的模型里有大量 for 循环或 torch.vmap，导出前最好先用 torch.compile 跑一遍，确认它能正常编译——导不出，大概率是模型本身没过 dynamo 的语义检查。
