导出tensorflow模型为savedmodel前必须确认三件事：模型已是训练好的savedmodel格式（非h5或检查点）、输入输出张量名明确可追踪、tensorflow与tf2onnx版本兼容（推荐tf 2.8–2.11 + tf2onnx≥1.14）。
TensorFlow模型导出为SavedModel前必须确认的三件事
直接调用tf2onnx.convert失败，八成卡在这三个前提没满足：模型必须是已训练好的SavedModel格式（不是H5或检查点），输入输出张量名需明确可追踪，且TensorFlow版本与tf2onnx兼容。TF 2.12+ 默认禁用v1兼容模式，而tf2onnx某些旧版依赖tf.compat.v1，建议统一用TF 2.8–2.11 + tf2onnx>=1.14。
用tf2onnx.convert转SavedModel时的关键参数
tf2onnx.convert不接受Keras模型对象，只认saved_model_dir路径。常见误操作是传入.h5文件或模型变量名。正确做法是先model.save("my_model")生成目录，再传该目录路径。必须指定input_signature或opset，否则可能因自动推断失败报ValueError: Cannot infer shape for input。
-
--inputs和--outputs：用TensorFlow原生名称（如serving_default_input_1:0），不是Keras层名；可用saved_model_cli show --dir my_model --tag_set serve查清 -
--opset 15：推荐值，低于12可能丢弃自定义层支持，高于16部分推理引擎（如ONNX Runtime 1.15）尚未完全兼容 -
--inputs-as-nchw：图像模型务必加，否则Conv2D权重顺序错乱，输出全零
遇到Unsupported ops: ['Switch', 'Merge']怎么办
这是TF控制流（tf.cond、tf.while_loop）未被tf2onnx完全支持的典型错误。不是所有动态图都能无损转ONNX——尤其是含条件分支的训练模型。解决路径很窄：
- 改用
@tf.function(input_signature=...)重写前向逻辑，强制静态图，再保存为SavedModel - 若必须保留动态控制流，尝试加
--extra_opset ai.onnx.contrib:1启用实验性扩展（需ONNX Runtime预编译支持） - 彻底绕过：用
tf.keras.models.load_model加载后，手动遍历model.layers提取权重，用onnx.helper从零构建ONNX Graph（仅适用于简单模型）
导出后验证ONNX模型是否真能跑通
很多脚本显示“convert success”，但加载时报InvalidGraph: Node is not in topological order。别跳过验证步骤：
- 用
onnx.checker.check_model(model)确认基础结构合法 - 用
onnxruntime.InferenceSession加载并喂入真实shape的numpy数据（注意dtype匹配，TF默认float32，ONNX Runtime对int64输入更敏感） - 比对TF原生输出与ONNX输出：用
np.allclose(tf_out, onnx_out, atol=1e-5)，误差超1e-3大概率是算子映射偏差（如tf.nn.softmax在不同opset下归一化维度处理不一致）
最易被忽略的是输入预处理——TF SavedModel常内置Rescaling或Normalization层，而ONNX模型只保留纯计算图。导出前务必确认这些层是否已固化进图中，否则部署时得额外在Python/C++侧补相同逻辑。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
