必须已训练完成且输入类型明确，使用skl2onnx库（非onnxmltools），模型类需被其支持（如randomforestclassifier可，isolationforest不可），预处理器须整合进pipeline，initial_types需显式声明匹配数据shape与dtype。
scikit-learn模型导出ONNX前必须满足哪些前提？
不是所有sklearn模型都能直接转ONNX。核心限制在于：ONNX Runtime只支持sklearn中被skl2onnx库明确覆盖的类和方法。比如RandomForestClassifier、SVC、LogisticRegression基本都支持，但IsolationForest或自定义Transformer大概率失败。
- 必须用
skl2onnx（不是onnxmltools，后者已弃用） - 模型必须已训练完成（
fit过），且输入数据类型明确（如float32） - 避免使用
lambda、闭包、或依赖外部状态的transform逻辑 - 如果用了
ColumnTransformer，需确保每个子transformer也在支持列表中（比如OneHotEncoder可以，FunctionTransformer带匿名函数就不行）
如何用skl2onnx正确调用convert_sklearn？
convert_sklearn是核心函数，但它不接受原始训练数据，而是需要一个“类型声明”——即用skl2onnx.convert.convert_sklearn配合skl2onnx.common.data_types里的类型描述符。
- 先确定输入特征数和类型：
FloatTensorType([(None, n_features)])（None表示batch可变） -
initial_types参数必须传入列表，哪怕只有一个输入：[('input', FloatTensorType([None, 4]))] -
target_opset建议显式指定，如12或15，避免因版本升级导致op不兼容 - 示例：
from skl2onnx import convert_sklearn from skl2onnx.common.data_types import FloatTensorType from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier().fit(X_train, y_train) initial_type = [('input', FloatTensorType([None, X_train.shape[1]]))] onx = convert_sklearn(model, initial_types=initial_type, target_opset=15) with open("model.onnx", "wb") as f: f.write(onx.SerializeToString())
为什么保存后用onnxruntime加载报错“Invalid graph”？
这类错误八成出在输入名或类型不匹配。ONNX图对输入节点名极其敏感，而convert_sklearn默认把输入命名为input，但如果你在推理时用了别的名字（比如'X'），就会失败。
- 加载后务必检查输入名：
sess.get_inputs()[0].name，和你sess.run时传的key一致 - 输入数据必须是
numpy.ndarray且dtype为np.float32（即使训练时是float64，ONNX默认按float32导出） - 若模型含预处理（如
StandardScaler），不能只转预测器——得把整个Pipeline一起转，否则onnxruntime运行时不会自动标准化 - 常见错误信息如
"Node:SklearnStandardScaler Input index: 0 does not have the same shape as other inputs"，说明StandardScaler没被正确集成进ONNX图
Pipeline包含多个步骤时怎么保证端到端转换？
skl2onnx支持sklearn.pipeline.Pipeline，但前提是每一步都兼容。最稳妥的方式是用skl2onnx.convert.to_onnx（新接口），它比convert_sklearn更智能地推断类型。
- 不要手动拼接多个ONNX模型；用
Pipeline对象整体传入to_onnx - 若含
ColumnTransformer，确保每个transformer子类被支持，且remainder='passthrough'时，列顺序和类型必须与训练时完全一致 - 示例中若
X_train是pandas.DataFrame，转之前先用X_train.values.astype(np.float32)，避免类型推断失败 - 转换后建议立刻用
onnx.checker.check_model(onx)验证结构合法性，再用onnxruntime.InferenceSession做最小输入测试
ONNX转换真正卡住的地方，往往不在模型本身，而在你没意识到的隐式假设：比如sklearn里容忍的int标签，ONNX可能要求int64；又比如predict_proba输出维度在ONNX里可能多一层。动手前先跑通checker和最小session推理，比后期调试快得多。
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！
