如何将R（含mlr3框架）训练的机器学习模型转换为ONNX格式？

结论 #

R中训练的模型（包括mlr3框架训练的）可以转换为ONNX格式，已有成熟工具链支持这类转换。

mlr3模型的转换步骤 #

mlr3本身没有内置ONNX导出功能，但可以通过以下路径实现：

1. 提取mlr3训练后的原生模型：mlr3的learner训练完成后，可通过learner$model获取底层R包的模型实例（比如用lrn("classif.rpart")训练后得到的rpart模型）
2. 使用R的onnx包或跨语言工具转换：
   • 对于传统机器学习模型（决策树、随机森林、线性模型等），可以用onnx包直接转换，或通过reticulate调用Python的skl2onnx（需确保模型结构与scikit-learn兼容）
   • 示例代码（rpart决策树转ONNX）：

     library(mlr3)
     library(rpart)
     library(onnx)
     
     # 训练mlr3模型
     task <- tsk("iris")
     learner <- lrn("classif.rpart")
     learner$train(task)
     rpart_model <- learner$model
     
     # 准备输入数据模板
     test_input <- as.matrix(iris[, 1:4])
     
     # 转换并保存ONNX模型
     onnx_obj <- convert_to_onnx(
       model = rpart_model,
       input_data = test_input,
       input_names = colnames(test_input),
       output_names = "prediction"
     )
     save_model(onnx_obj, "iris_rpart.onnx")
     

   • 复杂模型可先导出为PMML格式，再通过pmml2onnx工具转换为ONNX。

替代R包的直接转换方案 #

若mlr3的流程繁琐，可选择原生支持ONNX导出的R包：

• torch：训练的深度学习模型可直接用torch::export_onnx()导出
• parsnip + tidymodels：配合onnx包或skl2onnx实现传统模型转换
• xgboost：训练的模型可导出为原生格式后，用Python的onnxmltools转换为ONNX

关键注意事项 #

• 并非所有R模型都能完美转换，优先选择ONNX官方支持的模型类型（线性模型、树模型、常见深度学习模型）
• 转换前确保输入数据的结构、类型与训练时一致，避免兼容性问题
• 转换后用ONNX Runtime加载模型，验证预测结果与原R模型一致

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