在ONNX 的 python API 文章中提到了針對演算法的不同，ONNX 提供了兩個不同的運算元集：定義類神經網路相關的運算元被稱為 ONNX，而與機械學習相關的被稱為 ONNX-ML。我們已經利用 super-resolution 模型做轉換的 demo， 今天我們會專注在 ONNX-ML （或 scikit-learn）和在 ONNX 不同版本轉換。

第一個例子會使用 sklearn-onnx package 來轉換 scikit-learn 模型為 ONNX 模型。
為了讓例子能夠順利的執行，除了 scikit-learn 你需要安裝 skl2onnx 和 onnxruntime，使用 pip install 命令安裝即可。 版本如下：

import sklearn
import skl2onnx
import onnxruntime
print('sklearn', sklearn.__version__)
print('skl2onnx', skl2onnx.__version__)
print('onnxruntime', onnxruntime.__version__)
# sklearn 0.21.2
# skl2onnx 1.5.2
# onnxruntime 0.5.0

首先我們得來建立一個 scikit-learn 模型。這個模型用的是 RandomForest 演算法建構的分類器，關於 skl2onnx 的 scikit-learn 模型，則可以見 skl2onnx的官方文件。資料則是 iris 的資料，主要是使用一些花的特徵如尺寸等作為分類特徵，屬於小量的資料集。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
iris = load_iris()
X, y = iris.data, iris.target
# 將資料集分為訓練和測試
X_train, X_test, y_train, y_test = train_test_split(X, y)
clr = RandomForestClassifier()
clr.fit(X_train, y_train)
# => RandomForestClassifier(bootstrap=True, class_weight=None, 
#                       criterion='gini', max_depth=None, 
#                       max_features='auto', max_leaf_nodes=None,
#                       min_impurity_decrease=0.0, min_impurity_split=None,
#                       min_samples_leaf=1, min_samples_split=2,
#                       min_weight_fraction_leaf=0.0, n_estimators=10,
#                       n_jobs=None, oob_score=False, random_state=None,
#                       verbose=0, warm_start=False)

接著我們就要使用 skl2onnx 裡的 ONNXMLTools 來將模型轉成 ONNX 格式。 ONNXMLTools 是一個轉換不同機械學習的格式到 ONNX 格式的一個工具。目前可轉換的的機械學習架構包括了： Keras, Tensorflow， Core ML(Apple)，scikit-learn， Spark ML (還在實驗階段），LightGBM， libsvm 以及 XGBoost。除了 scikit-learn 的 skl2onnx ， Keras 和 Tensorflow 都有提供一個 ONNXMLTools 的 wrapper，分別是 keras2onnx 和 tf2onnx。
為了能從 scikit-learn 模型轉換為 ONNX 格式，我們必須呼叫 skl2onnx.convert_sklearn函式，根據官方API，該函式的第一個引數必須是一個 scikit-learn 模型，在本例子中為 RandomForestClassifier。在例子中還傳入了關鍵字引數 initial_types，這個參數接受一個 python list，每一個元素都是一個 tuple，這個 tuple 必須包括變數名稱（字串）和任何定義在 data_types.py 的資料型態。

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType
# 建立一個變數名為'float_input' 的物件，物件資料型態為 FloatTensorType
# 變數的值不需要傳入，但是必須傳入輸入的維度（batch 的維度以 1 代替）
initial_type = [('float_input', FloatTensorType([1, 4]))]
onx = convert_sklearn(clr, initial_types=initial_type)
with open("rf_iris.onnx", "wb") as f:
    f.write(onx.SerializeToString())

最後，我們則使用 ONNX Runtime 來執行模型。和 Tensorflow 很相像，ONNX Runtime 會建立一個 InferenceSession Session 物件，並從剛才我們利用物件的 SerializeToString() 方法儲存的 rf_iris.onnx 檔案，載入模型。關於 ONNX Runtime 更詳細的說明擇留到下一篇文章。目前只用 ONNX Runtime 來測試轉換的結果。

import onnxruntime as rt
import numpy

sess = rt.InferenceSession("rf_iris.onnx")
input_name = sess.get_inputs()[0].name
label_name = sess.get_outputs()[0].name
pred_onx = sess.run([label_name], {input_name: X_test.astype(numpy.float32)})[0]

檢查模型版本

skl2onnx.convert_sklearn 還有一個關鍵字引數，沒有在上面的例子中秀出，那就是 target_opset。target_opset 可以接受欲檢查的 Opset version，若沒給予skl2onnx.convert_sklearn 則會使用讀入的版本來做檢查。

但倒底什麼是 Opset version，就讓我們從頭講起...

ONNX Versioning

ONNX 格式總共有三種 versioning 的方式：分別是 IR version，Opset version （運算元集合的版本）和 Model version。這三個 versioning 的架構是互相獨立，若以開發的速率來檢查三個 versioning 的改變速率，Opset 會快於 IR versioning。要查詢使用 IR 和 Opset 的版本，一方面可以印出 ModelProto 物件，其 ir_version 欄位會定義 IR version，而 opset_import 欄位會定義 Opset version。Model version 雖然沒有列出，但可以透過 ModelProto.model_version 讀取 Model version。大家可以回顧一下再造訪 ONNX Graph 這篇文章。
Model version 遇到改變模型輸入和輸出的情況，而造成原本行為無法執行時，則需要增加版本。同樣的，IR version 遇到 ONNX 的 speciation 改變造成 protobuf 的定義改變的情況，而造成原本函式庫讀入寫入模型行為無法執行，則需要增加版本。而任何修改運算元的行為造成原本運算元的行為改變，都需要增加 Opset 版本。
因為 IR Versioning 通常比 Opset versioning 更為 stable，所以下面的例子中，只會提到 Opset versioning。除此之外做格式轉換的 package，都會將檢查 Opset versioning 列為特別檢查項目。

Operator versioning

Opset versioning 其實是指一組運算元的版本架構，每一個運算元都有自己的版本。當運算元進入或移除原有的集合都會造成 OpSet version 增加，不過也有可能每一個運算元在不同的 Opset version 仍維持相同的版本。如果要用程式的方式來提取 OpSet version，則可以呼叫 model_def.opset_import[0].version 。其中 model_def.opset_import 會傳回一個 python list，裡面只有一個元素為 onnx.OperatorSetIdProto物件，具有 version 屬性。ONNXMLTools 的 converter，通常都會逐一檢查每一個運算元的版本，一但給定了所有運算元版本後再行計算最佳的 Opset version。
一個運算元，基本上可以藉由 domain, op_type, 和 op_version 三個欄位構成獨一無二的運算元 ID。domain 指的是模型的命名空間，通常以實現該運算元的架構 reverse-DNS 網域名稱來命名，如 'com.facebook' 是 PyTorch 一個 domain name。若由 ONNX 建立的計算圖，其 domain name 為 org.onnx。若建立模型時，domain 是空字串，則 domain 也為預設為 onnx。
若有重度使用 scikit-learn 的讀者有需要為自己客製化的 Estimator 或 Transformer 建立 ONNX converter，則可以參考 sklearn-onnx的Write your own converter for your own model文章，礙於篇幅，此處不再介紹。