.NET使用OnnxRuntime加载sklearn导出的SVMRegressor ONNX模型报错如何解决

问题原因 #

报错提示Could not find an implementation for SVMRegressor(1)的核心原因是：
skl2onnx默认会把Sklearn的SVMRegressor转换为ONNX-ML扩展算子集中的SVMRegressor专用算子，而普通版本的Microsoft.ML.OnnxRuntime没有内置这类ML扩展算子的实现，所以加载模型时找不到对应算子的实现抛出异常。

解决方法 #

• 方案1：替换C#项目的OnnxRuntime依赖（最简便）
  卸载当前项目安装的Microsoft.ML.OnnxRuntime基础包，改为安装Microsoft.ML.OnnxRuntime.Full完整包，该版本内置了所有ONNX-ML扩展算子的实现，包含SVMRegressor的支持，安装完成后无需修改其他代码即可正常运行。
• 方案2：调整skl2onnx导出逻辑，适配基础版OnnxRuntime
  如果不想使用Full包，可以修改Python端的模型导出代码，强制skl2onnx将SVMRegressor转换为基础算子组合，不依赖ML扩展算子，修改后的导出代码如下：

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import DoubleTensorType
# 导入禁用ML算子的工具函数
from skl2onnx.common._apply_operation import disable_ml_operator

# 全局禁用ML扩展算子，所有模型都会转换为基础算子组合
disable_ml_operator()

initial_type = [('double_input', DoubleTensorType([None, len(d)]))]
onx = convert_sklearn(results[i].estimator_, initial_types=initial_type)

with open(r"C:\my folder\x_" + str(i) + "_1.onnx", "wb") as f:
    f.write(onx.SerializeToString())

重新导出模型后，用原来的基础版OnnxRuntime即可正常加载运行。

• 方案3：手动实现线性SVM推理（仅适用于线性核SVM）
  如果你用的SVMRegressor是线性核，完全可以不用ONNX做推理，直接导出模型的coef_权重和intercept_偏置参数，在C#端直接计算：预测值 = 输入特征点乘权重数组 + 偏置，性能更高，也不存在算子兼容问题。

内容的提问来源于stack exchange，提问作者azuric