4、TensorFlow模型导出ONNX：使用tf2onnx工具进行模型转换
好，咱们接着聊。前面几章我们把PyTorch模型的导出讲透了，这一章轮到TensorFlow了。说实话，TF模型转ONNX，我个人的经验是——坑比PyTorch多那么一点点。但别担心，掌握了套路之后，其实也就那么回事。
4.1 为什么需要tf2onnx？
TensorFlow的生态很庞大，从1.x到2.x，从Keras到SavedModel，格式五花八门。你想想看，一个模型训练好了，想部署到移动端、Web端，或者换个框架做推理，总不能每次都重写一遍吧？
tf2onnx这个工具，说白了就是一座桥。它能把TF的各种模型格式，统一转换成ONNX标准格式。我在项目中遇到过最典型的情况：客户用TF2训练了一个目标检测模型，但他们的推理服务器只支持ONNX Runtime。没有tf2onnx，这活根本干不了。
4.2 环境准备与安装
嗯，这里要注意。tf2onnx对版本有要求，不是随便装个最新版就能跑的。我个人习惯用Python 3.8 + TensorFlow 2.6 ~ 2.10这个区间，兼容性最好。
# 安装tf2onnx
pip install tf2onnx
# 建议同时安装onnx和onnxruntime做验证
pip install onnx onnxruntime4.3 从Keras模型导出
这是最常见的场景。你训练好了一个Keras模型，保存成了.h5文件或者SavedModel格式。怎么转？看代码：
import tf2onnx
import tensorflow as tf
# 加载你的Keras模型
model = tf.keras.models.load_model('my_model.h5')
# 指定输入输出的名字（这个很重要）
spec = (tf.TensorSpec((None, 224, 224, 3), tf.float32, name="input"),)
# 转换
onnx_model, _ = tf2onnx.convert.from_keras(model,
input_signature=spec,
opset=13)
# 保存
with open("model.onnx", "wb") as f:
f.write(onnx_model.SerializeToString())这里有个细节：input_signature里的name参数，我建议你起个有意义的名字，比如"input"、"image"之类的。为什么？因为后续做推理时，这个name就是输入张量的标识符。我之前有个项目，随便起了个"Placeholder_1"，结果同事接手时一脸懵。
4.4 从SavedModel导出
SavedModel是TF2推荐的标准格式。如果你有完整的SavedModel目录，转换起来更直接：
import tf2onnx
# 命令行方式（我最常用的）
!python -m tf2onnx.convert \
--saved-model ./saved_model_dir \
--output model.onnx \
--opset 13
# 或者用Python API
import tf2onnx
import tensorflow as tf
model = tf.saved_model.load('./saved_model_dir')
spec = (tf.TensorSpec((None, 224, 224, 3), tf.float32, name="input"),)
onnx_model, _ = tf2onnx.convert.from_saved_model(model,
input_signature=spec,
opset=13)4.5 处理动态输入形状
实际部署时，batch size往往是动态的。你想想看，线上请求的图片数量每次都不一样，总不能固定死吧？
tf2onnx默认支持动态batch。你只需要在TensorSpec的第一个维度写None就行：
spec = (tf.TensorSpec((None, 224, 224, 3), tf.float32, name="input"),)但要注意，有些算子对动态形状支持不好。比如TF里的tf.shape操作，转成ONNX后可能会变成静态的。我遇到过一个问题：模型里用了tf.image.resize，结果转出来的ONNX在batch size变化时直接报错。
解决方案？要么在模型里避免使用这类算子，要么在转换时指定--inputs-as-nchw参数强制转换格式。
4.6 常见问题与避坑指南
我整理了一个表格，都是我在实际项目中踩过的坑：
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 转换后精度下降 | 某些TF算子没有对应的ONNX实现 | 使用--opset 13或更高版本，或者替换模型中的算子 |
| ONNX Runtime推理报错 | 输入输出名字不匹配 | 用onnx.load()查看节点名，确保和代码一致 |
| 动态batch不支持 | 模型中有静态形状操作 | 检查模型，替换tf.reshape等操作 |
| 转换速度极慢 | 模型太大或算子太复杂 | 尝试--large_model参数，或者分步转换 |
4.7 验证转换结果
转换完了，别急着部署。先验证一下：
import onnx
import onnxruntime as ort
import numpy as np
# 加载ONNX模型
onnx_model = onnx.load("model.onnx")
onnx.checker.check_model(onnx_model)
# 用ONNX Runtime跑一下
session = ort.InferenceSession("model.onnx")
input_name = session.get_inputs()[0].name
output_name = session.get_outputs()[0].name
# 构造随机输入
dummy_input = np.random.randn(1, 224, 224, 3).astype(np.float32)
result = session.run([output_name], {input_name: dummy_input})
print("转换验证通过！输出形状：", result[0].shape)这一步我建议你养成习惯。每次转换完，至少跑一次推理，确认输出形状和数值范围是合理的。别问我为什么强调这个——有一次我转换完直接上线，结果模型输出全是NaN，差点酿成生产事故。
4.8 小结
TensorFlow转ONNX，说白了就是三步：装工具、写spec、跑转换。但真正做好，需要对TF的算子集和ONNX的opset有了解。我的建议是：先从简单的Keras模型开始，跑通了再处理复杂的SavedModel。遇到问题别慌，查opset版本、查算子兼容性，大部分坑都能填上。
下一章，我们会聊PyTorch模型导出ONNX的进阶技巧，包括动态轴、自定义算子这些硬核内容。到时候见。