PaddlePaddle
paddleclas中multilabels模型转 onnx后精度损失太多
看了一些issues都不能解决我的问题： https://github.com/PaddlePaddle/Paddle2ONNX/issues/451 https://github.com/PaddlePaddle/Paddle2ONNX/issues/772
这是我的issues：
https://github.com/PaddlePaddle/PaddleClas/issues/2174
对于同一张图输入，paddle模型输出后sigmod是（最大的两个数值是0.10090836, 0.96171629）：
而onnx模型里面带了sigmod，输出就是想要的数值（最大的两个数值是0.00439452, 0.98361409）：
想不出来是哪里出了问题，是paddle转onnx之后精度差这么多吗？
你好，我把文件传百度云了，他们都是一一对应的： 链接：https://pan.baidu.com/s/1sscJwEJVflt06I-5fPNKBg?pwd=y9v3 提取码：y9v3
执行paddlecls ，使用latest.pdparams 、inference.pdiparams、onnx出来的数值都有或多或少的区别。
今天有了新的对比发现，把图片保存为bin后利用不同模型处理多标签任务，看输出的最大值判定模型推理是否相同，我发现： （1）运行onnx的结果最大数值是 0.96299744 （2）运行paddleclas自带的推理的功能（/deploy/python/predict_cls.py）的结果最大数值是 0.9629971。 万分位以上的差别都是可以接受的，所以我觉得paddle2onnx还是OK的。 （3）运行paddleclas自带的infer推理（tools/infer.py）的结果最大数值是0.94861。那么问题就出在paddle的动态模型转到paddle的推理模型上。
我在paddlecls的项目里也提一下这个问题，希望能得到解决。
你的意思是paddle的动态模型（即没导出，直接用权重加载后，然后用python预测）的结果，和导出之后再预测结果是有差异的吗？ 虽然不能确认是否是动态转静态模型的问题，但看来确实是deploy/python/predict_cls.py和tools/infer.py的预测结果差异问题
是的。是这个情况。
我也认同 确实是deploy/python/predict_cls.py和tools/infer.py的预测结果差异问题。
不知道可以提给谁解决，有心支持国产但是我好像遇到了自己不能解决的阻碍。
我提一下我的使用过程，/mnt/c/Users/dong.xie/Desktop/workcode/workplace/PaddleClas/test.bin就是那张（3,224，224）的numpy变量。
import paddle.nn.functional as F
images = np.fromfile("/mnt/c/Users/dong.xie/Desktop/workcode/workplace/PaddleClas/test.bin",
dtype=np.float32).reshape(3, 224, 224)
images = np.expand_dims(images, 0)
import onnxruntime as ort
session = ort.InferenceSession(
r'inference/inference.onnx')
outputs = session.run(None, {'x': images})
print("onnx", outputs[0].max())
# onnx 0.96299744
print("sigmod:", F.sigmoid(self.model(paddle.Tensor(images))[0]).max())
print("postprocess_func:", self.postprocess_func(self.model(paddle.Tensor(images)), image_file_list))
截屏里可以看出2者的结果：
