Stable Baselines3中MultiInputPolicy模型的ONNX导出实践指南

背景介绍

在强化学习模型部署过程中，将训练好的策略网络导出为ONNX格式是一个常见需求。本文针对Stable Baselines3框架中基于字典观测空间(Dict observation space)的MultiInputActorCriticPolicy模型，详细讲解其ONNX导出方法。

核心挑战

当使用字典类型的观测空间时，传统的ONNX导出方式会遇到几个关键问题：

1. PyTorch原生torch.onnx.export对字典输入支持有限
2. 观测数据需要正确处理batch维度
3. ONNX运行时输入名称需要与导出模型匹配

解决方案演进

初始尝试方案

早期尝试直接封装策略网络会出现类型不匹配错误：

# 典型错误示例
th.onnx.export(policy, obs_dict, "model.onnx")  # 会报"Expected dict, got torch.Tensor"

动态导出方案

使用PyTorch的dynamo_export方法可以部分解决问题：

onnx_program = th.onnx.dynamo_export(onnx_policy, obs_tensor)

但会产生版本兼容性警告，且该方法已被标记为即将弃用。

最终稳定方案

最新PyTorch版本推荐使用带dynamo参数的导出方式：

model_input = {"observation": obs_tensor}
th.onnx.export(
    onnx_policy,
    args=(model_input,),
    f="model.onnx",
    dynamo=True
)

完整实现步骤

1. 环境准备

class CustomEnv(gym.Env):
    def __init__(self):
        self.observation_space = gym.spaces.Dict({
            "sensor1": gym.spaces.Box(-1,1,(3,)),
            "sensor2": gym.spaces.Box(-1,1,(6,))
        })
        self.action_space = gym.spaces.Discrete(2)

2. 模型封装

class OnnxablePolicy(th.nn.Module):
    def __init__(self, policy):
        super().__init__()
        self.policy = policy
    
    def forward(self, observation):
        return self.policy(observation, deterministic=True)

3. 数据预处理

# 单环境情况需要添加batch维度
obs = {k: v.reshape(1, -1) for k, v in obs.items()}
# 矢量化环境自动包含batch维度

4. ONNX运行时对接

ort_session = ort.InferenceSession("model.onnx")
input_names = [input.name for input in ort_session.get_inputs()]
onnx_inputs = {name: obs[name.split('_')[-1]] for name in input_names}
outputs = ort_session.run(None, onnx_inputs)

关键技术点

1. 维度处理：确保所有观测数据统一batch维度
2. 输入输出映射：ONNX模型的输入名称会自动转换为observation_keyname格式
3. 版本兼容性：推荐使用PyTorch 2.6+和ONNX Runtime 1.20+

实际应用建议

1. 生产环境部署前务必验证ONNX模型与原模型输出的一致性
2. 对于连续动作空间，可能需要额外处理动作缩放
3. 考虑将后处理步骤(如采样)移至ONNX模型外部

总结

本文详细介绍了在Stable Baselines3中导出复杂观测空间策略网络到ONNX格式的完整流程。通过合理的封装和最新的PyTorch导出API，开发者可以成功将MultiInputPolicy部署到各种推理环境中。需要注意的是，随着PyTorch版本的更新，最佳实践可能相应变化，建议保持对官方文档的关注。