能否通过C++对TensorFlow、PyTorch转换的ONNX模型进行训练？

首先明确结论：你的需求是可以实现的，目前ONNX生态已经提供了对应的落地能力。 #

可用实现路径 #

• 首选 ONNX Runtime 的训练模块，它官方提供原生C++ API，同时支持推理和训练两类任务，不需要你维护两套不同的接口，刚好匹配你“Python做原型导出ONNX，C++统一完成推理+训练”的需求。
• 导出ONNX时需要调整默认配置：常规的ONNX导出仅会保留推理链路的算子，你需要在导出时开启训练模式，把反向传播、梯度计算、权重更新相关的节点都包含到ONNX模型文件中。

具体操作要点 #

1. Python端导出带训练链路的ONNX模型：
   • PyTorch环境下调用torch.onnx.export时，将training参数设置为torch.onnx.TrainingMode.TRAINING，即可导出完整的训练链路结构
   • TensorFlow环境下使用tf2onnx工具导出时，添加训练模式相关参数，保证梯度计算等逻辑被正确转换
2. C++端集成ONNX Runtime训练库后，直接加载导出的ONNX模型，配置对应优化器、损失函数、学习率等超参数，即可直接启动训练/微调流程，不需要手动重新搭建模型结构
3. 训练完成后的模型可以直接复用同一套C++接口切换为推理模式运行，不需要额外做格式转换

常见注意事项 #

• 导出前需要确认你用到的训练相关算子已被当前版本的ONNX算子集支持，避免出现转换失败或运行报错的问题
• 如果用到自定义算子，你可以手动给ONNX Runtime注册对应C++版本的算子实现，即可保证训练流程正常运行

内容的提问来源于stack exchange，提问作者Usaint