如何在tf2onnx转换tf_hub模型时指定固定输入形状？

1. 强制指定固定输入形状的方法 #

tf2onnx支持通过参数强制锁定输入形状，具体操作分两种场景：

• 命令行转换：使用--input_shape参数，格式为输入名称:维度。比如你的模型输入名为input_1，要固定为[1, 224, 224, 3]（批量1、224x224的RGB图），命令示例：

  python -m tf2onnx.convert --saved-model 你的TF模型路径 --output 输出的ONNX文件名.onnx --input_shape "input_1:[1,224,224,3]"
  

  若不确定输入名称，可通过Netron查看原TF模型，或用saved_model_cli show --dir 模型路径 --all命令获取输入节点名。
• Python API转换：调用convert.from_saved_model时传入input_signature参数，定义固定形状的输入签名，示例：

  import tensorflow as tf
  import tf2onnx
  
  saved_model_path = "你的TF模型路径"
  output_path = "输出的ONNX文件名.onnx"
  
  # 定义固定形状的输入签名
  input_spec = tf.TensorSpec([1, 224, 224, 3], tf.float32, name="input_1")
  tf2onnx.convert.from_saved_model(saved_model_path, output_path=output_path, input_signature=[input_spec])
  

2. 为什么部分动态维度的ONNX模型能正常运行 #

动态维度（即unk__xxx标识的维度）本身未必引发问题，能正常运行的场景通常是：

• 下游推理框架（如ONNX Runtime、TensorRT）支持动态维度推理，运行时会根据输入数据的实际形状自动适配；
• 转换时保留动态维度，但用户在推理前显式指定了输入具体形状（比如ONNX Runtime中配置动态轴，或推理时传入固定形状张量）；
• 模型本身的算子对动态维度兼容性好，无依赖固定维度的硬编码逻辑。

3. 转换后仍无法运行的排查建议 #

若强制固定形状后仍有问题，可尝试：

• 用ONNX Runtime加载模型并运行测试，查看具体报错信息：

  import onnxruntime as ort
  import numpy as np
  
  sess = ort.InferenceSession("你的ONNX模型路径")
  input_name = sess.get_inputs()[0].name
  output_name = sess.get_outputs()[0].name
  test_input = np.random.randn(1, 224, 224, 3).astype(np.float32)
  output = sess.run([output_name], {input_name: test_input})
  print(output)
  

• 检查原TF模型的输入约束，比如是否要求输入尺寸为特定倍数（如32的倍数），固定形状时需符合该要求；
• 确认tf2onnx为最新版本，旧版本可能存在部分模型转换的兼容性bug。

内容的提问来源于stack exchange，提问作者Montparg