将ONNX模型转换回Sklearn模型的方法咨询

• 优先找回原始Sklearn模型文件：如果还能找到训练时保存的.pkl或.joblib文件，直接加载是最稳妥的方式——这比转换ONNX靠谱得多，因为ONNX转换过程可能丢失Sklearn特有的模型属性或自定义逻辑。
• 针对简单模型手动复现+参数迁移：如果是逻辑回归、单棵决策树这类结构简单的模型，可以先提取ONNX模型的参数，再在Sklearn中重新初始化对应模型并手动赋值。
  用onnx库提取参数的示例：

  import onnx
  import numpy as np
  
  model = onnx.load("your_model.onnx")
  # 遍历模型初始器获取参数
  for init in model.graph.initializer:
      print(f"参数名: {init.name}, 形状: {init.dims}")
      if init.data_type == onnx.TensorProto.FLOAT:
          param_values = np.frombuffer(init.raw_data, dtype=np.float32).reshape(init.dims)
          # 根据参数名对应到Sklearn模型的属性，比如逻辑回归的coef_、intercept_
  

  接着在Sklearn中重建模型并赋值：

  from sklearn.linear_model import LogisticRegression
  
  lr_model = LogisticRegression()
  lr_model.coef_ = param_values[:-1].reshape(1, -1)  # 根据实际参数形状调整
  lr_model.intercept_ = np.array([param_values[-1]])
  

• 用ONNX Runtime替代转换操作：如果不需要严格的Sklearn模型对象，只是要复用预测能力，直接用onnxruntime加载ONNX模型做预测即可，效果和原Sklearn模型一致，步骤也更简单：

  import onnxruntime as ort
  import numpy as np
  
  sess = ort.InferenceSession("your_model.onnx")
  input_name = sess.get_inputs()[0].name
  output_name = sess.get_outputs()[0].name
  
  # 输入数据需和原模型的输入形状、数据类型匹配
  input_data = np.array([[1.2, 3.4, 5.6]], dtype=np.float32)
  prediction = sess.run([output_name], {input_name: input_data})
  

• 复杂模型的局限性说明：如果是Pipeline、随机森林、梯度提升树这类复杂结构，目前没有通用工具能将ONNX逆向转换为Sklearn原生模型——这类模型的ONNX表示会拆分为多个独立算子，很难还原成Sklearn模型特有的结构和属性。

内容的提问来源于stack exchange，提问作者Saif Ali Khan