将scikit-learn模型转换为ONNX
项目描述
介绍
sklearn-onnx 将 scikit-learn 模型转换为 ONNX 格式。一旦转换为 ONNX 格式，您可以使用如 ONNX Runtime 之类的工具进行高性能评分。所有转换器均通过 onnxruntime 进行测试。任何外部转换器都可以注册以转换 scikit-learn 流程，包括来自外部库的模型或转换器。
文档
完整文档包括教程可在 https://onnx.org.cn/sklearn-onnx/ 找到。 支持的 scikit-learn 模型 最后支持的 opset 是 21。
您也可以在 现有问题 中找到答案或提交新问题。
安装
您可以从 PyPi 安装。
pip install skl2onnx
或者您可以从源代码安装，以获取最新的更改。
pip install git+https://github.com/onnx/sklearn-onnx.git
入门
# Train a model.
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]
贡献
我们欢迎以反馈、想法或代码的形式进行贡献。
许可协议
下载文件
下载适合您平台的应用程序。如果您不确定选择哪个，请了解更多关于 安装软件包 的信息。
源代码发行版
skl2onnx-1.17.0.tar.gz (932.0 kB 查看哈希值)
构建发行版
skl2onnx-1.17.0-py2.py3-none-any.whl (298.4 kB 查看哈希值)
