Keras模型转ONNX需先保存为SavedModel格式，因tf2onnx不支持直接转换.h5文件；加载后须显式指定input_signature（用tf.TensorSpec），并用onnxruntime验证输出名。
tf.keras.models.load_model() 加载的模型必须是 SavedModel 格式
ONNX 转换工具（如 tf2onnx）不支持直接转换 HDF5（.h5）文件。如果你用 model.save("model.h5") 保存，再用 tf.keras.models.load_model("model.h5") 加载，传给 tf2onnx.convert.from_keras() 会报 ValueError: Unable to load weights 或静默失败。
正确做法是始终用 SavedModel 格式：
- 保存时用
model.save("my_model", save_format="tf")（默认就是"tf"，但显式写明更安全） - 加载时仍用
tf.keras.models.load_model("my_model")，此时返回的是可追踪的tf.keras.Model实例，且内部包含完整的计算图 - 验证是否成功：检查
loaded_model.signatures是否非空，或运行loaded_model(tf.random.normal((1, *input_shape)))看是否能前向
tf2onnx.convert.from_keras() 的 input_signature 必须显式指定
tf2onnx.convert.from_keras() 不会自动推断动态 batch 维度或不明确的输入 shape。如果漏掉 input_signature，转换可能生成固定 batch=1 的 ONNX 模型，后续推理时喂入 batch=4 就会报 InvalidArgumentError: Input size does not match signature。
构造 input_signature 的关键点：
- 用
tf.TensorSpec，不是 Python tuple 或 list；例如：input_signature=[tf.TensorSpec((None, 224, 224, 3), tf.float32)] -
None表示动态维度（通常是 batch 维），不能写成-1或省略 - 多输入模型需按顺序提供多个
tf.TensorSpec，数量和顺序必须与模型call()方法签名一致 - 类型必须匹配：如果模型接收
tf.float32，就不能传tf.float64的TensorSpec
转换后 ONNX 模型输出名与 Keras 层名不一致，需用 onnxruntime 验证输出 key
Keras 模型的 model.output 是一个 tf.Tensor，其 name 如 "dense_1/BiasAdd:0"；但 ONNX 导出后，输出节点名变成类似 "Identity:0" 或自动生成的 "output_0"，不会保留原始层名。直接按 Keras 名取 ONNX 输出会报 KeyError。
安全做法是先用 onnxruntime.InferenceSession 加载并 inspect 输出字段：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
import onnxruntime as ort
sess = ort.InferenceSession("model.onnx")
print([o.name for o in sess.get_outputs()]) # 查看真实输出名
# 通常输出是 ['output_0'] 或 ['Identity:0']，取决于 tf2onnx 版本和模型结构
常见陷阱：
- 新版
tf2onnx（≥1.16）默认启用--opset 18，某些旧版 onnxruntime（opset=15 - 若模型含自定义层或
tf.py_function，tf2onnx无法转换，会报NotImplementedError: Cannot convert node ... with type PyFunc，这类模型必须重写为纯 TF ops
GPU 训练的模型转 ONNX 后默认在 CPU 推理，无需额外配置
ONNX 是设备无关格式，tf2onnx 转换过程本身不依赖 GPU，也不嵌入设备信息。生成的 .onnx 文件可在任意支持 ONNX 的 runtime 上运行 —— 无论你用 tf.keras.models.load_model() 时是否启用了 GPU，都不会影响 ONNX 文件内容。
真正决定推理设备的是加载 ONNX 的 runtime：
- 用
onnxruntime时，默认用 CPU；要启用 GPU，需安装onnxruntime-gpu并确保 CUDA/cuDNN 匹配 - 用
onnxruntime.InferenceSession(..., providers=["CUDAExecutionProvider"])显式指定 - 模型中若含不支持 GPU 的 ONNX op（如某些控制流或稀疏操作），即使指定了 GPU provider，也会 fallback 到 CPU 执行，可通过
sess.get_providers()确认实际生效的 provider
ONNX 文件本身没有“GPU 标签”，也不存在“必须用 GPU 加载”的约束 —— 这点和 TensorFlow 的 .pb 或 PyTorch 的 .pt 不同。
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！
