TNWS AI

Гайд · TNWS AI

Почему ONNX Runtime отклоняет float64-вход вместо float32

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

Воспроизводимая ошибка типа ONNX Runtime: float64 по умолчанию в NumPy, контракт tensor(float), безопасное приведение и проверка без потери смысла.

Задача и применимость

Актуальный запрос: «почему ONNX Runtime unexpected input data type float64». Диагностировать Unexpected input data type, не меняя модель вслепую. NumPy часто создаёт литеральный массив как float64, тогда как ONNX-вход tensor(float) ожидает float32. ONNX Runtime валидирует контракт и выбрасывает InvalidArgument. Исправление — осознанно сформировать данные нужного dtype после проверки допустимого диапазона. 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. Прочитайте session.get_inputs()[0].type.
  2. Создайте негативный массив float64 и подтвердите исключение.
  3. Преобразуйте данные в np.float32 до run.
  4. Сравните результат с арифметическим эталоном и контролируйте конечность значений.

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])
node = helper.make_node("Add", ["x", "bias"], ["y"])
graph = helper.make_graph([node], "add_graph", [x_info], [y_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"])
bad = np.array([[2.0, 5.0]])
assert bad.dtype == np.float64
try:
    session.run(None, {"x": bad})
except Exception as exc:
    assert "data type" in str(exc).lower()
good = bad.astype(np.float32)
out = session.run(None, {"x": good})[0]
np.testing.assert_allclose(out, [[3.0, 4.0]])

Вход и ожидаемые данные

Негативный вход np.array([[2.0,5.0]]) имеет dtype float64 и должен быть отклонён моделью с входом tensor(float). После astype(np.float32) ожидается [[3,4]]. Не применяйте это правило к моделям, которые действительно объявляют double, int64 или другой тип.

Проверка результата

Тест должен подтвердить именно класс проблемы типа, а не проглатывать любое исключение. Перед приведением проверьте NaN, infinity и предметный диапазон. Для категориальных ID float32 обычно неверен: контракт модели имеет приоритет над универсальной привычкой кастовать всё. 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 ловите Exception и не продолжайте с пустым ответом.
  • Не приводите токены int64 к float32 без контракта модели.
  • Не меняйте входной тип модели ради одного некорректного массива.

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

Почему NumPy дал float64?

Это тип по умолчанию для многих массивов из Python float.

Что ждёт tensor(float)?

Обычно NumPy float32.

Можно ли всегда делать astype(float32)?

Нет, сначала сверяйте тип каждого входа.

Официальные источники

Частые вопросы

Почему NumPy дал float64?

Это тип по умолчанию для многих массивов из Python float.

Что ждёт tensor(float)?

Обычно NumPy float32.

Можно ли всегда делать astype(float32)?

Нет, сначала сверяйте тип каждого входа.

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