TNWS AI

Гайд · TNWS AI

Как запросить конкретный выход ONNX-модели в session.run

ONNX RuntimePython#ONNX Runtime#ONNX#нейросети
4 мин—

Модель с двумя выходами в ONNX Runtime: get_outputs, run(['z']), точные результаты Add и Mul, порядок и проверка неизвестного имени.

Задача и применимость

Актуальный запрос: «как получить конкретный output ONNX Runtime по имени». Не полагаться на позицию выхода, если нужен конкретный tensor. session.run(['z'], feed) возвращает только названный выход. Тестовая модель имеет y = x + bias и z = x * bias. Сначала имена читаются через get_outputs, затем вызывается нужное. Имя является частью контракта версии модели. Материал сверён 26 сентября 2026 года с официальной документацией ONNX Runtime и фактически проверяется на ONNX Runtime 1.30.0, ONNX 1.19.0 и NumPy 2.3.5. Тестовая модель создаётся локально и не скачивает веса.

Пошаговое выполнение

  1. Создайте граф с выходами y и z.
  2. Получите список имён через get_outputs.
  3. Запросите только z и сравните с умножением.
  4. Отдельно запросите все выходы и проверьте порядок текущего графа.

Сначала запускайте пример во временном каталоге. Для реальной модели зафиксируйте checksum, opset, версию exporter и preprocessing. ONNX Runtime исполняет граф, но не знает предметного смысла признаков, поэтому одинаковая shape ещё не доказывает правильную подготовку данных.

Готовый проверяемый шаблон

import tempfile
from pathlib import Path
import numpy as np
import onnx
from onnx import TensorProto, helper
import onnxruntime as ort

tmp = Path(tempfile.mkdtemp())
model_path = tmp / "add.onnx"
x_info = helper.make_tensor_value_info("x", TensorProto.FLOAT, [None, 2])
y_info = helper.make_tensor_value_info("y", TensorProto.FLOAT, [None, 2])
bias = helper.make_tensor("bias", TensorProto.FLOAT, [2], [1.0, -1.0])
z_info = helper.make_tensor_value_info("z", TensorProto.FLOAT, [None, 2])
node = helper.make_node("Add", ["x", "bias"], ["y"])
node2 = helper.make_node("Mul", ["x", "bias"], ["z"])
graph = helper.make_graph([node, node2], "two_outputs", [x_info], [y_info, z_info], [bias])
model = helper.make_model(graph, opset_imports=[helper.make_opsetid("", 13)])
onnx.checker.check_model(model)
onnx.save(model, model_path)
session=ort.InferenceSession(str(model_path),providers=["CPUExecutionProvider"])
assert [o.name for o in session.get_outputs()] == ["y","z"]
x=np.array([[2,5]],dtype=np.float32)
z=session.run(["z"],{"x":x})[0]
np.testing.assert_allclose(z, [[2,-5]])
y,z_all=session.run(None,{"x":x})
np.testing.assert_allclose(y, [[3,4]])
np.testing.assert_allclose(z_all, [[2,-5]])

Вход и ожидаемые данные

Для x [2,5] и bias [1,-1] выход y равен [3,4], z — [2,-5]. Вызов run(['z'],...) возвращает список из одного элемента. Не называйте выход probabilities, пока это имя не подтверждено метаданными конкретной модели.

Проверка результата

Проверяйте множество ожидаемых output names при запуске сервиса. Если новая версия переименовала z, останавливайте развёртывание с понятным сообщением. Для output с вероятностями дополнительно проверяйте форму, диапазон и сумму только если это соответствует архитектуре; имя само по себе не гарантирует семантику. Перед рабочим применением повторите проверку на точных входах экспортированной нейросети: универсальный пример не заменяет контракт конкретного артефакта. Сохраните минимальный воспроизводимый вход, чтобы сравнить старую и новую версии без персональных данных.

Как перенести пример на настоящую нейросеть

Заменяйте учебный граф только после того, как базовый пример проходит полностью. Получите имена, типы и формы через API сессии, затем воспроизведите тот же preprocessing, который использовался при обучении или экспорте. Для изображения это включает порядок каналов, resize, нормализацию и цветовое пространство; для текста — конкретный tokenizer, специальные токены, padding и attention mask. Эти параметры не восстанавливаются надёжно по одной форме tensor. Храните конфигурацию рядом с моделью и версионируйте её вместе с ONNX-файлом. Сначала сравните ONNX output с исходным framework на одинаковых входах, а затем отдельно проверяйте предметную метрику: accuracy, F1, Recall@k или другую заранее выбранную величину.

Критерии приёмки

  1. Модель проходит onnx.checker и загружается выбранным provider.
  2. dtype, rank, shape и имена совпадают с метаданными.
  3. Положительный вход совпадает с численным эталоном.
  4. Негативный вход вызывает ожидаемую ошибку, а не случайный результат.
  5. Тест повторяется после смены модели, runtime или provider.

Регрессионный протокол

Сохраните версии пакетов, providers, имена tensor, shape и dtype. Используйте минимум пять входов: стандартный, другой batch, нули, отрицательные значения и граничный допустимый диапазон. Сравнивайте outputs с эталонной реализацией и явно задавайте абсолютный и относительный допуск. Измерение производительности отделяйте от проверки точности: сначала докажите эквивалентность, затем делайте прогрев и много повторов. Не выбирайте лучший прогон вручную — публикуйте p50, p95 и условия машины. Ошибка одного теста должна блокировать замену модели, но не требует останавливать независимые сервисы.

Диагностика расхождений

Если значения отличаются, локализуйте слой по порядку: исходный файл, preprocessing, dtype и shape, выбранный provider, затем численная точность операторов. Сохраните небольшой обезличенный вход и outputs обеих реализаций. Не начинайте с увеличения допуска: так можно скрыть переставленные каналы или неверную токенизацию. Для динамического batch проверяйте каждую строку отдельно и вместе, чтобы обнаружить ошибочную зависимость между элементами. Для stateful preprocessing сбрасывайте состояние между тестами. После исправления повторите весь набор, включая негативные случаи, а не только один пример, который раньше падал.

Типичные ошибки и чего не делать

  • Не путайте имя узла и имя выходного tensor.
  • Не берите [0] без документированного порядка.
  • Не запрашивайте все большие outputs, если нужен один.

Не изменяйте модель, dtype или форму случайными преобразованиями, лишь бы исчезло исключение. Не используйте вход из недоверенного источника без ограничений размера: огромный tensor способен исчерпать память. Не выдавайте арифметический мини-граф за оценку качества настоящей нейросети.

FAQ

Как выбрать output?

Передать список имён первым аргументом run.

Что возвращает run?

Список значений в порядке запрошенных имён.

Где узнать имена?

В session.get_outputs().

Официальные источники

Частые вопросы

Как выбрать output?

Передать список имён первым аргументом run.

Что возвращает run?

Список значений в порядке запрошенных имён.

Где узнать имена?

В session.get_outputs().

Читайте также

ГайдыONNX RuntimePython26 сентября 2026

Как использовать I/O Binding ONNX Runtime на CPU

I/O Binding в Python на CPU: OrtValue из NumPy, bind_ortvalue_input, bind_output, run_with_iobinding и точная проверка результата.

4 мин 
ГайдыONNX RuntimePython26 сентября 2026

Как настроить intra-op потоки ONNX Runtime через SessionOptions

SessionOptions и intra_op_num_threads в ONNX Runtime: два потока, воспроизводимый output, честный benchmark и почему больше потоков не всегда быстрее.

4 мин 
ГайдыONNX RuntimePython26 сентября 2026

Как проверить Execution Provider ONNX Runtime и не ждать GPU зря

Проверка get_available_providers и session.get_providers: явный CPUExecutionProvider, отличие установленного provider от выбранного и безопасный fallback.

4 мин 

Подбор

Какую нейросеть выбрать

Пройти опрос

Комментарии

Пока тихо. Скажите первое слово