torch.onnx.export 导出失败主因是动态控制流、不支持算子或输入形状未固定；典型错误为 aten::size 不支持，应改用静态shape、torchscript封装、固定输入、指定opset版本，并规避pytorch特有算子。
torch.onnx.export 为什么导出失败？常见报错和绕过方法
PyTorch 模型导出 ONNX 失败，多数源于动态控制流、不支持的算子或输入形状未固定。最典型错误是 RuntimeError: Exporting the operator 'aten::size' to ONNX opset version 14 is not supported——这说明模型里用了 .size() 或 .shape 动态获取尺寸，而 ONNX 要求静态 shape 推断。
实操建议：
- 用
torch.jit.trace或torch.jit.script将模型转为 TorchScript 再导出，尤其对含 if/for 的模型更稳妥；torch.jit.script更适合含条件分支的逻辑 - 导出时务必传入真实样例输入（非随机张量），且
input_shape必须固定（如torch.randn(1, 3, 224, 224)），避免使用None或-1占位 - 显式指定
opset_version（推荐 14 或 15），低版本 opset 不支持aten::softmax等新算子，高版本又可能被旧推理引擎拒绝 - 若模型含自定义算子或
torch.nn.functional.interpolate且 mode=‘bicubic’，ONNX 默认不支持——改用mode='bilinear'或提前注册自定义 domain
如何检查 ONNX 模型是否含 PyTorch 特有算子？
ONNX 文件本身不带算子来源信息，但可通过解析 graph 查看 node.op_type 和 domain。PyTorch 导出时会把部分算子放在 org.pytorch domain 下（如 PyTorchOperator），这类算子无法被标准 ONNX Runtime 执行。
验证方法：
- 用
onnx.load("model.onnx")加载后遍历model.graph.node，检查是否有node.domain != "" and "pytorch" in node.domain.lower() - 运行
onnx.checker.check_model(model)，它能捕获非法 op_type 或缺失属性，但不报 domain 兼容性问题 - 更直接的方式：用
onnxruntime.InferenceSession("model.onnx")初始化，若抛出Fail to load model且含Unsupported operator字样，就是算子不兼容
ONNX Runtime 推理结果与 PyTorch 不一致？怎么定位数值偏差
数值差异通常不是精度问题，而是预处理/后处理不一致，或 ONNX 中某些算子实现与 PyTorch 存在细微行为差异（如 padding 方式、softmax axis 默认值）。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
排查步骤：
- 确保 PyTorch 输入和 ONNX 输入**完全相同**：调用
model.eval()+torch.no_grad()，输入 tensor 需.cpu().detach().numpy()后喂给 ORT，避免梯度残留或 device 混淆 - 逐层比对输出：用
torch.onnx.export(..., verbose=True)输出节点名，再用 ONNX Runtime 的run()指定 intermediate outputs（需导出时加add_node_names=True和do_constant_folding=True） - 特别注意
torch.nn.BatchNorm2d：PyTorch 训练态和 eval 态行为不同，ONNX 只保存 eval 态参数，若导出前没调model.eval()，BN 层会出错 - 如果用到了
torch.nn.Upsample，ONNX 默认转成Resize算子，其 coordinate_transformation_mode 默认是half_pixel，而 PyTorch 是align_corners=False——需手动在 ONNX graph 中修改该属性或改用F.interpolate(mode="nearest")
导出后 ONNX 模型体积暴涨？如何精简
PyTorch 导出的 ONNX 常含大量调试信息、未剪枝的常量节点，或重复的 reshape 操作，导致文件体积比原 .pt 大数倍。
压缩手段：
- 导出时加
strip_doc_string=True（默认 True，但显式设更保险），去掉 docstring 和注释 - 用
onnx.shape_inference.infer_shapes(model)补全 shape 信息，再用onnx.optimizer.optimize(model, ["eliminate_dead_end", "eliminate_identity"])删除冗余节点（注意：部分优化可能破坏某些 backend 兼容性） - 对大型 embedding 层或 linear 权重，可先用
onnx-simplifier工具：命令行执行python -m onnxsim model.onnx model_sim.onnx，它会合并 reshape + transpose 等模式，效果比原生 optimizer 更激进 - 若模型含大量
Constant节点（如位置编码），确认是否真需要——有些可移至预处理阶段，不在图中固化
真正麻烦的是那些隐式依赖 Python 控制流的模型，比如用 len(x) 判断 batch size、或根据 tensor 值做分支计算——这些没法靠工具自动修复，必须重构模型逻辑才能导出。
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！
