PyTorch ONNX模型的加载与推理详解
本文详细阐述如何加载并使用torch.onnx.export导出的ONNX模型进行推理。torch.onnx.export函数可将PyTorch模型转换为ONNX格式，方便在其他框架中部署。然而，直接使用PyTorch张量作为ONNX Runtime的输入会导致错误。
文中示例展示了使用torch.onnx.export导出模型，以及使用ONNX Runtime推理时遇到的错误：“runtimeerror: input must be a list of dictionaries or a single numpy array for input 'x'.” 该错误指出ONNX Runtime要求输入数据为NumPy数组，而非PyTorch张量。
解决方法：将PyTorch张量转换为NumPy数组
关键在于将PyTorch张量转换为NumPy数组。 以下是两种正确的代码示例：
方法一：
import onnxruntime
import numpy
import torch
resnet_onnx = onnxruntime.InferenceSession('onnx.pb')
# x = torch.ones(2, 2) # 错误：输入类型为torch.tensor
x = numpy.ones((2, 2), dtype=numpy.float32) # 正确：输入类型为numpy.ndarray
inputs = {resnet_onnx.get_inputs()[0].name: x}
print(resnet_onnx.run(None, inputs))
此方法将输入x的类型从torch.tensor更改为numpy.ndarray，并指定数据类型为numpy.float32，解决了类型不匹配问题。
方法二：
import onnxruntime as ort
import numpy as np
# 加载模型
sess = ort.InferenceSession("onnx.pb")
# 准备输入数据
input_data = np.ones((2, 2)).astype("float32")
# 运行模型
output_data = sess.run(None, {"x": input_data})[0]
# 输出模型的预测结果
print(output_data)
此方法同样使用NumPy数组作为输入，并清晰地展示了如何获取模型输出。
两种方法均成功加载并运行导出的ONNX模型，核心在于确保输入数据的类型与ONNX Runtime的要求一致。 使用NumPy数组是避免错误的关键步骤。
