pytorch resnet50 模型转成 onnx 的代码样例，batch_size 是动态可调节的

pytorch resnet50 模型转成 onnx 的代码样例，batch_size 是动态可调节的

以下是一个将 PyTorch 的 ResNet50 模型转换为 ONNX 格式的示例代码，并使用可变批处理大小：

import torch
import torchvision
import onnx
import onnxruntime

# 创建 PyTorch ResNet50 模型实例
model = torchvision.models.resnet50(pretrained=True)

# 定义一个 PyTorch 张量来模拟输入数据
batch_size = 4  # 定义批处理大小
input_shape = (batch_size, 3, 224, 224)
input_data = torch.randn(input_shape)

# 将模型转换为 ONNX 格式
output_path = "resnet50.onnx"
torch.onnx.export(model, input_data, output_path,
                  input_names=["input"], output_names=["output"],
                  dynamic_axes={"input": {0: "batch_size"}, "output": {0: "batch_size"}})

# 使用 ONNX 运行时加载模型
session = onnxruntime.InferenceSession(output_path)

# 定义一个 ONNX 张量来模拟输入数据
new_batch_size = 8  # 定义新的批处理大小
new_input_shape = (new_batch_size, 3, 224, 224)
new_input_data = torch.randn(new_input_shape)

# 在 ONNX 运行时中运行模型
outputs = session.run(["output"], {"input": new_input_data.numpy()})

注意，在将模型导出为 ONNX 格式时，需要指定 input_names 和 output_names 参数来指定输入和输出张量的名称，以便在 ONNX 运行时中使用。此外，我们还需要使用 dynamic_axes 参数来指定批处理大小的动态维度。最后，在 ONNX 运行时中使用 session.run() 方法来运行模型。