带groups参数的TensorFlow Conv1D模型转ONNX遇兼容性问题求助

问题根源 #

当TensorFlow Conv1D的groups参数大于2时，tf2onnx无法直接映射为ONNX标准Conv算子，会自动用PartitionedCall封装TensorFlow原生实现，但onnxruntime对该算子的高版本domain（此处为15）缺乏支持，导致加载失败。而不设置groups时，转换逻辑直接映射为标准ONNX Conv，因此无问题。

可行解决方案 #

1. 强制tf2onnx使用ONNX原生分组卷积算子 #

转换时指定更高的opset版本（推荐18+），并开启分组卷积支持参数：

python -m tf2onnx.convert --saved-model ./your_saved_model_dir --output converted_model.onnx --opset 18 --enable-conv-groups

这个参数会强制tf2onnx将分组卷积转换为ONNX标准的Conv节点，避免生成PartitionedCall。

2. 升级onnxruntime版本 #

确保你的onnxruntime版本≥1.14.0，新版本对分组卷积的兼容性更好，也优化了对高opset算子的支持。

3. 手动修复ONNX模型（备选） #

如果上述方法无效，可手动修改模型替换PartitionedCall节点：

• 用onnx.load加载转换后的模型
• 定位到报错的PartitionedCall节点，替换为ONNX的Conv节点，手动配置groups、输入输出、权重等参数
• 用onnx.save保存修改后的模型

验证模型有效性 #

转换后用以下代码测试模型是否正常加载并推理：

import onnxruntime as ort
import numpy as np

# 加载模型
sess = ort.InferenceSession("converted_model.onnx")
input_name = sess.get_inputs()[0].name
output_name = sess.get_outputs()[0].name

# 生成测试输入（匹配你的模型输入形状）
test_input = np.random.randn(1, 200, 64).astype(np.float32)
# 推理
result = sess.run([output_name], {input_name: test_input})
print("推理成功，输出形状：", result[0].shape)

内容的提问来源于stack exchange，提问作者MenorcanOrange