在 本教程的上一阶段 中，我们使用 PyTorch 创建了机器学习模型。 但是，该模型是一个 .pth 文件。 若要将其与 Windows ML 应用集成，需要将模型转换为 ONNX 格式。

要导出模型，你将使用 torch.onnx.export() 函数。 此函数执行模型，并记录用于计算输出的运算符的跟踪。

import torch.onnx 
#Function to Convert to ONNX 
def Convert_ONNX(): 
    # set the model to inference mode 
    model.eval() 
    # Let's create a dummy input tensor  
    dummy_input = torch.randn(1, input_size, requires_grad=True)  
    # Export the model   
    torch.onnx.export(model,         # model being run 
         dummy_input,       # model input (or a tuple for multiple inputs) 
         "ImageClassifier.onnx",       # where to save the model  
         export_params=True,  # store the trained parameter weights inside the model file 
         opset_version=10,    # the ONNX version to export the model to 
         do_constant_folding=True,  # whether to execute constant folding for optimization 
         input_names = ['modelInput'],   # the model's input names 
         output_names = ['modelOutput'], # the model's output names 
         dynamic_axes={'modelInput' : {0 : 'batch_size'},    # variable length axes 
                                'modelOutput' : {0 : 'batch_size'}}) 
    print(" ") 
    print('Model has been converted to ONNX') 
在导出模型之前必须调用 model.eval() 或 model.train(False)，因为这会将模型设置为“推理模式”。 这是必需的，因为 dropout 或 batchnorm 等运算符在推理和训练模式下的行为有所不同。
要运行到 ONNX 的转换，请将对转换函数的调用添加到 main 函数。 无需再次训练模型，因此我们将注释掉一些不再需要运行的函数。 main 函数将如下所示。
if __name__ == "__main__": 
    # Let's build our model 
    #train(5) 
    #print('Finished Training') 
    # Test which classes performed well 
    #testAccuracy() 
    # Let's load the model we just created and test the accuracy per label 
    model = Network() 
    path = "myFirstModel.pth" 
    model.load_state_dict(torch.load(path)) 
    # Test with batch of images 
    #testBatch() 
    # Test how the classes performed 
    #testClassess() 
    # Conversion to ONNX 
    Convert_ONNX() 
选择工具栏上的 Start Debugging 按钮或按 F5 再次运行项目。 无需再次训练模型，只需从项目文件夹中加载现有模型即可。
输出将如下所示。
导航到项目位置并找到 .pth 模型旁边的 ONNX 模型。
想要了解更多吗？ 查看有关导出模型的 PyTorch 教程。
导出模型。
使用 Netron 打开 ImageClassifier.onnx 模型文件。
选择数据节点，打开模型属性。
如你所见，该模型需要一个 32 位张量（多维数组）浮点对象作为输入，并返回一个 Tensor 浮点作为输出。 输出数组将包括每个标签的概率。 根据模型的构建方式，标签由 10 个数字表示，每个数字代表 10 个对象类别。