多输入类型下XGBoost转ONNX模型失败，求转换示例

我完全理解你遇到的困境——onnxmltools的XGBoost转换器目前只支持单一输入张量，这就是你触发"仅支持单一输入类型"错误的核心原因。不过我们可以通过几个变通方案来处理多输入场景，下面是具体的思路和代码示例：

问题根源 #

XGBoost在训练时本质上接收的是一个合并后的特征矩阵（不管原始特征是浮点型还是整数型，最终都会被整合为单一矩阵），而onnxmltools的XGBoost转换器目前只适配了这种单输入的设计，所以直接传入多个TensorType会触发输入数量校验的错误。

方案1：合并多输入为单一张量（最简单直接） #

这种方法是把不同类型的输入特征提前合并成一个大张量，转换和推理都基于这个合并后的张量操作，完全贴合XGBoost和onnxmltools的现有逻辑。

import xgboost as xgb
import numpy as np
from onnxmltools.convert import convert_xgboost
from onnxconverter_common.data_types import FloatTensorType

# 1. 准备多类型训练数据
float_features = np.random.rand(100, 2).astype(np.float32)  # 2个浮点特征
int_features = np.random.randint(0, 10, size=(100, 1)).astype(np.int64)  # 1个整数特征
X_combined = np.hstack([float_features, int_features])  # 合并为3列的特征矩阵
y = np.random.rand(100).astype(np.float32)  # 标签数据

# 2. 训练XGBoost回归模型
xgb_reg = xgb.XGBRegressor(objective='reg:squarederror')
xgb_reg.fit(X_combined, y)

# 3. 转换为ONNX模型：使用合并后的输入类型
initial_types = [('combined_input', FloatTensorType([None, 3]))]  # None支持可变批量，3是总特征数
onnx_model = convert_xgboost(xgb_reg, initial_types=initial_types)

# 4. 保存ONNX模型
with open("xgb_combined_input.onnx", "wb") as f:
    f.write(onnx_model.SerializeToString())

推理时，你只需要把新的多输入特征合并成同样维度的张量，再传入ONNX模型即可。

方案2：保留多输入接口（通过ONNX节点拼接） #

如果你的场景必须对外暴露多输入的接口（比如要和其他多输入的ONNX模型串联），可以手动构建ONNX图，先通过Cast和Concat节点把多输入合并，再喂给XGBoost的ONNX子模型。

import onnx
from onnx import helper, TensorProto

# 1. 先加载方案1中转换好的单输入XGBoost模型
xgb_onnx_model = onnx.load("xgb_combined_input.onnx")

# 2. 定义多输入的张量信息
input_float = helper.make_tensor_value_info('input', TensorProto.FLOAT, [None, 2])
input_int = helper.make_tensor_value_info('another_input', TensorProto.INT64, [None, 1])

# 3. 添加预处理节点：把整数特征转为浮点型，再和浮点特征合并
cast_node = helper.make_node(
    'Cast',
    inputs=['another_input'],
    outputs=['int_casted'],
    to=TensorProto.FLOAT
)

concat_node = helper.make_node(
    'Concat',
    inputs=['input', 'int_casted'],
    outputs=['combined_input'],
    axis=1  # 按列合并特征
)

# 4. 拼接新的ONNX图：预处理节点 + XGBoost原节点
xgb_nodes = xgb_onnx_model.graph.node
xgb_output = xgb_onnx_model.graph.output

combined_graph = helper.make_graph(
    [cast_node, concat_node] + xgb_nodes,
    'MultiInputXGBRegressor',
    [input_float, input_int],
    xgb_output
)

# 5. 构建并验证完整模型
combined_model = helper.make_model(combined_graph, producer_name='onnxmltools')
onnx.checker.check_model(combined_model)  # 检查模型合法性

# 6. 保存多输入版本的ONNX模型
onnx.save(combined_model, "xgb_multi_input.onnx")

这个方案既保留了多输入的接口，又适配了XGBoost模型的单输入要求，完美解决你的场景需求。

目前onnxmltools官方对XGBoost的多输入支持还在完善中，这两个变通方案是当前最可行的解决路径。

内容的提问来源于stack exchange，提问作者Almo Daved