export

paddle.onnx. export ( layer, path, input_spec=None, opset_version=9, **configs ) [源代码]

将输入的 Layer 存储为 ONNX 格式的模型，可使用 onnxruntime 或其他框架进行推理。

注解

具体使用案例请参考 文档，更多信息请参考：paddle2onnx 。

参数

  • layer (Layer) - 导出的 Layer 对象。

  • path (str) - 存储模型的路径前缀。格式为 dirname/file_prefix 或者 file_prefix，导出后``ONNX``模型自动添加后缀 .onnx 。

  • input_spec (list[InputSpec|Tensor]，可选) - 描述存储模型 forward 方法的输入，可以通过 InputSpec 或者示例 Tensor 进行描述。如果为 None，所有原 Layer forward 方法的输入变量将都会被配置为存储模型的输入变量。默认为 None。

  • opset_version (int，可选) - 导出 ONNX 模型的 Opset 版本，目前稳定支持导出的版本为 9、10 和 11。默认为 9。

  • **configs (dict，可选) - 其他用于兼容的存储配置选项。这些选项将来可能被移除，如果不是必须使用，不推荐使用这些配置选项。默认为 None。目前支持以下配置选项：(1) output_spec (list[Tensor]) - 选择存储模型的输出目标。默认情况下，所有原 Layer forward 方法的返回值均会作为存储模型的输出。如果传入的 output_spec 列表不是所有的输出变量，存储的模型将会根据 output_spec 所包含的结果被裁剪。

返回

无。

代码示例

>>> import paddle

>>> class LinearNet(paddle.nn.Layer):
...     def __init__(self):
...         super().__init__()
...         self._linear = paddle.nn.Linear(128, 10)
...
...     def forward(self, x):
...         return self._linear(x)
...
>>> # Export model with 'InputSpec' to support dynamic input shape.
>>> def export_linear_net():
...     model = LinearNet()
...     x_spec = paddle.static.InputSpec(shape=[None, 128], dtype='float32')
...     paddle.onnx.export(model, 'linear_net', input_spec=[x_spec])
...
>>> export_linear_net()

>>> class Logic(paddle.nn.Layer):
...     def __init__(self):
...         super().__init__()
...
...     def forward(self, x, y, z):
...         if z:
...             return x
...         else:
...             return y
...
>>> # Export model with 'Tensor' to support pruned model by set 'output_spec'.
>>> def export_logic():
...     model = Logic()
...     x = paddle.to_tensor([1])
...     y = paddle.to_tensor([2])
...     # Static and run model.
...     paddle.jit.to_static(model)
...     out = model(x, y, z=True)
...     paddle.onnx.export(model, 'pruned', input_spec=[x, y, z], output_spec=[out], input_names_after_prune=[x])
...
>>> export_logic()

使用本API的教程文档