ONNX (.onnx, .pb, .pbtxt)
Keras (.h5, .keras)
Core ML (.mlmodel)
Caffe (.caffemodel, .prototxt)
Caffe2 (predict_net.pb, predict_net.pbtxt)
Darknet (.cfg)
MXNet (.model, -symbol.json)
ncnn (.param) 
TensorFlow Lite (.tflite)
PaddlePaddle (.zip, model)
TensorFlow.js
CNTK (.model, .cntk)

TorchScript (.pt, .pth)
PyTorch (.pt, .pth)
Torch (.t7)
Arm NN (.armnn)
BigDL (.bigdl, .model) 
Chainer (.npz, .h5)
Deeplearning4j (.zip)
MediaPipe (.pbtxt)
ML.NET (.zip), MNN (.mnn)
OpenVINO (.xml)
scikit-learn (.pkl)
TensorFlow (.pb, .meta, .pbtxt, .ckpt, .index)

model = resnet18(pretrained=True)
# print(model)
# old_net_path = "resnet18.pth"
new_net_path = "./resnet18.onnx"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 導(dǎo)入模型
net = model.to(device)
# net.load_state_dict(torch.load(old_net_path, map_location=device))
net.eval()
input = torch.randn(1, 3, 224, 224).to(device)  # BCHW  其中Batch必須為1，因?yàn)闇y(cè)試時(shí)一般為1，尺寸HW必須和訓(xùn)練時(shí)的尺寸一致
torch.onnx.export(net, input, new_net_path, verbose=False)

model(torch.nn.Module)-要被導(dǎo)出的模型
args(參數(shù)的集合)-模型的輸入，例如，這種model(*args)方式是對(duì)模型的有效調(diào)用。任何非Variable參數(shù)都將硬編碼到導(dǎo)出的模型中；任何Variable參數(shù)都將成為導(dǎo)出的模型的輸入，并按照他們?cè)赼rgs中出現(xiàn)的順序輸入。如果args是一個(gè)Variable，這等價(jià)于用包含這個(gè)Variable的1-ary元組調(diào)用它。(注意:現(xiàn)在不支持向模型傳遞關(guān)鍵字參數(shù)。)
f-一個(gè)類文件的對(duì)象(必須實(shí)現(xiàn)文件描述符的返回)或一個(gè)包含文件名字符串。一個(gè)二進(jìn)制Protobuf將會(huì)寫入這個(gè)文件中。
export_params(bool,default True)-如果指定，所有參數(shù)都會(huì)被導(dǎo)出。如果你只想導(dǎo)出一個(gè)未訓(xùn)練的模型，就將此參數(shù)設(shè)置為False。在這種情況下，導(dǎo)出的模型將首先把所有parameters作為參arguments，順序由model.state_dict().values()指定。
verbose(bool,default False)-如果指定，將會(huì)輸出被導(dǎo)出的軌跡的調(diào)試描述。
training(bool,default False)-導(dǎo)出訓(xùn)練模型下的模型。目前，ONNX只面向推斷模型的導(dǎo)出，所以一般不需要將該項(xiàng)設(shè)置為True。
input_names(list of strings, default empty list)-按順序分配名稱到圖中的輸入節(jié)點(diǎn)。
output_names(list of strings, default empty list)-按順序分配名稱到圖中的輸出節(jié)點(diǎn)。

import torch
torch_model = torch.load("save.pt") # pytorch模型加載
batch_size = 1  #批處理大小
input_shape = (3,244,244)   #輸入數(shù)據(jù)
# set the model to inference mode
torch_model.eval()
x = torch.randn(batch_size,*input_shape)		# 生成張量
export_onnx_file = "test.onnx"					# 目的ONNX文件名
torch.onnx.export(torch_model,
                    x,
                    export_onnx_file,
                    opset_version=10,
                    do_constant_folding=True,	# 是否執(zhí)行常量折疊優(yōu)化
                    input_names=["input"],		# 輸入名
                    output_names=["output"],	# 輸出名
                    dynamic_axes={"input":{0:"batch_size"},		# 批處理變量
                    "output":{0:"batch_size"}})

import torch
torch_model = selfmodel()  					# 由研究員提供python.py文件
batch_size = 1 								# 批處理大小
input_shape = (3, 244, 244) 				# 輸入數(shù)據(jù)
# set the model to inference mode
torch_model.eval()
x = torch.randn(batch_size,*input_shape) 	# 生成張量
export_onnx_file = "test.onnx" 				# 目的ONNX文件名
torch.onnx.export(torch_model,
                    x,
                    export_onnx_file,
                    opset_version=10,
                    do_constant_folding=True,	# 是否執(zhí)行常量折疊優(yōu)化
                    input_names=["input"],		# 輸入名
                    output_names=["output"],	# 輸出名
                    dynamic_axes={"input":{0:"batch_size"},	# 批處理變量
                    "output":{0:"batch_size"}})