问题原因分析 #

你遇到的RuntimeError: number of input names provided (9) exceeded number of inputs (7)错误，核心问题出在手动构建input_names的逻辑完全错误，再加上没正确处理Dropout的运行模式导致的：

• 你初始设置了input_names = ['input_1']，之后又遍历模型的每个模块，给每个模块都添加了一个输入名，最终input_names的长度变成1+8=9（你的Sequential模型一共有8个模块）。但实际上，你的PyTorch模型只有1个输入张量，ONNX导出时只需要指定这个输入的名称，完全不需要给每个内部模块额外添加输入名。
• 移除Dropout后能运行只是巧合：去掉两个Dropout后模块数变成6个，input_names长度变成1+6=7，刚好和错误提示里的“7个输入”数量匹配，但本质上你的input_names构建逻辑还是错的。另外，Dropout在训练模式下会引入随机分支，ONNX需要确定的可复现计算图，这也是导致导出异常的隐性原因。

保留Dropout层的正确导出步骤 #

要在保留Dropout的前提下成功导出ONNX，你需要做两个关键修正：

1. 将模型切换到评估模式：Dropout在train()模式下有随机失活逻辑，ONNX需要稳定的计算图，所以必须先调用model.eval()，让Dropout固定失活比例，不再随机丢弃神经元。
2. 正确设置input_names：只需要指定模型的实际输入张量名称，不需要给每个模块添加额外的输入名。

修正后的完整代码如下：

import torch
# 假设D_in, H, D_out已定义，df_X也已加载完成

# Define the model
model = torch.nn.Sequential(
    torch.nn.Linear(D_in, H),
    torch.nn.ReLU(),
    torch.nn.Dropout(0.2),
    torch.nn.Linear(H, H),
    torch.nn.LeakyReLU(),
    torch.nn.Dropout(0.2),
    torch.nn.Linear(H, D_out),
    torch.nn.Sigmoid()
)

checkpoint = torch.load("./saved_pytorch_model.pth")  # 加载PyTorch模型
model.load_state_dict(checkpoint['state_dict'])

# 关键步骤1：切换模型到评估模式
model.eval()

# 准备输入张量（建议添加batch维度，ONNX通常期望批量输入）
# 原代码的features是1D张量，改成2D适配大多数部署场景
features = torch.Tensor(df_X.values[0]).unsqueeze(0)  # 变成(1, D_in)的batch格式

# Convert PyTorch model to ONNX
input_names = ['input_1']  # 只指定实际输入的名称即可
output_names = ['output_1']

torch_out = torch.onnx.export(
    model, 
    features, 
    "onnx_model.onnx", 
    export_params=True, 
    verbose=True, 
    input_names=input_names, 
    output_names=output_names,
    # 可选：如果需要兼容旧版ONNX工具，可指定opset_version，比如opset_version=11
)

额外说明 #

• 为什么要加batch维度？大多数ONNX模型都是为批量输入设计的，直接用1D张量导出可能在后续部署时出现兼容性问题。如果你的场景确实不需要批量，也可以保留1D，但优先推荐用2D张量。
• 如果你需要给模型内部节点命名，可使用torch.onnx.export的dynamic_axes参数指定动态维度，无需手动给每个模块加输入名——ONNX会自动处理内部节点结构。

内容的提问来源于stack exchange，提问作者Shawn Zhang