分类模型resnet50转onnx

### 将ResNet50分类模型转换为ONNX格式

为了将PyTorch中的ResNet50分类模型转换为ONNX格式，可以遵循一系列特定的操作流程。这不仅涉及加载预训练的ResNet50模型并设置其评估模式，还需要准备一个虚拟输入张量用于追踪操作[^1]。

#### 加载和配置模型
首先，确保安装了必要的库，如`torch`和`onnx`。接着，导入所需的模块，并实例化ResNet50模型：

import torch
from torchvision import models

model = models.resnet50(pretrained=True)
model.eval()  # 设置模型为评估模式

#### 准备虚拟输入数据
创建一个随机生成的数据样本作为模拟输入给定形状 `(batch_size, channels, height, width)` 的图像批次。对于ResNet50，默认期望输入大小通常是 `224x224` 像素的RGB图片：

dummy_input = torch.randn(1, 3, 224, 224)  # 创建一批次单个三通道224×224像素的假彩色图

#### 执行转换过程
利用`torch.onnx.export()`函数执行实际的转换工作。该方法接受原始PyTorch模型、示例输入以及目标文件路径等参数。此外还可以指定其他选项来控制输出行为，比如是否保持可读性良好的节点名(`verbose`)或是简化运算符版本(`opset_version`)：

output_onnx = 'resnet50.onnx'
torch.onnx.export(model,
                  dummy_input,
                  output_onnx,
                  export_params=True,        # 存储已训练过的参数
                  opset_version=10,          # ONNX版本号
                  do_constant_folding=True,  # 是否应用常数折叠优化
                  input_names=['input'],     # 输入层的名字列表
                  output_names=['output'],   # 输出层的名字列表
                  dynamic_axes={'input': {0: 'batch_size'},    # 可变维度说明
                                'output': {0: 'batch_size'}})

完成上述步骤之后，将会得到名为`resnet50.onnx`的新文件，这就是已经成功转化成ONNX格式后的ResNet50模型。