sklearn-onnx：將您的 scikit-learn 模型轉換為 ONNX

sklearn-onnx 使您能夠將 scikit-learn 工具組的模型轉換為 ONNX。

• 簡介
• 教學
• API 摘要
• 範例集
• 轉換管線
• 具有選項的轉換器
• 支援的 scikit-learn 模型

問題與疑問

您應該查看現有的問題或提交新的問題。來源可在 onnx/sklearn-onnx 上取得。

ONNX 版本

轉換器可以針對特定版本的 ONNX 轉換模型。每個 ONNX 版本都標記有一個 opset 數字，由函式 onnx_opset_version 傳回。如果未在轉換模型時指定，此函式會傳回參數目標 opset（參數 target_opset）的預設值。每個運算子都有版本。該函式庫為每個運算子選擇小於或等於目標 opset 數的最新版本。 ONNX 模型針對每個運算子網域都有一個 opset 數字，此值是所有 onnx 節點中最大的 opset 數字。

<<<

from skl2onnx import __max_supported_opset__, __version__

print("documentation for version:", __version__)
print("Last supported opset:", __max_supported_opset__)

>>>

    documentation for version: 1.18.0
    Last supported opset: 21

後端

sklearn-onnx 將模型轉換為 ONNX 格式，然後可以使用您選擇的後端來計算預測。但是，有一種方法可以使用 onnxruntime、onnxruntime-gpu 自動檢查每個轉換器。每個轉換器都使用此後端進行測試。

開始使用

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

iris = load_iris()
X, y = iris.data, iris.target
X = X.astype(np.float32)
X_train, X_test, y_train, y_test = train_test_split(X, y)
clr = RandomForestClassifier()
clr.fit(X_train, y_train)

# Convert into ONNX format.
from skl2onnx import to_onnx

onx = to_onnx(clr, X[:1])
with open("rf_iris.onnx", "wb") as f:
    f.write(onx.SerializeToString())

# Compute the prediction with onnxruntime.
import onnxruntime as rt

sess = rt.InferenceSession("rf_iris.onnx", providers=["CPUExecutionProvider"])
input_name = sess.get_inputs()[0].name
label_name = sess.get_outputs()[0].name
pred_onx = sess.run([label_name], {input_name: X_test.astype(np.float32)})[0]

相關轉換器

sklearn-onnx 僅轉換來自 scikit-learn 的模型。 onnxmltools 可用於轉換 libsvm、lightgbm、xgboost 的模型。其他轉換器可在 github/onnx、torch.onnx、ONNX-MXNet API、Microsoft.ML.Onnx 上找到…

變更記錄

請參閱 CHANGELOGS.md。

貢獻者

該套件由以下 Microsoft 工程師和資料科學家於 2017 年冬季開始啟動：Zeeshan Ahmed、Wei-Sheng Chin、Aidan Crook、Xavier Dupré、Costin Eseanu、Tom Finley、Lixin Gong、Scott Inglis、Pei Jiang、Ivan Matantsev、Prabhat Roy、M. Zeeshan Siddiqui、Shouheng Yi、Shauheen Zahirazami、Yiwen Zhu、Du Li、Xuan Li、Wenbing Li。

授權

它根據 Apache License v2.0 授權。

舊版本

• 1.17.0

• 1.16.0