python如何利用joblib保存训练模型
作者：幸运的Alina
python用joblib保存训练模型
在机器学习中我们训练模型后，需要把模型保存到本地，这里我们采用joblib来保存
from sklearn.externals import joblib #保存模型 def Save_Model(self, model, filepath): joblib.dump(model, filename=filepath) def Decision_Tree_classifier(self,x_train,y_train,max_depth=None,min_samples_split=2,min_samples_leaf=1): Decision_Tree=tree.DecisionTreeClassifier(max_depth=max_depth,min_samples_split=min_samples_split,min_samples_leaf=min_samples_leaf) Decision_Tree.fit(x_train,y_train) self.save_model(Decision_Tree,os.path.join(c_config.UPLOAD_FOLODER,'model','Decision_Tree.m')) return Decision_Tree
然后再通过 joblib.load 把模型加载回来
def Load_Model(self, filepath): model = joblib.load(filepath) return model
将python训练好的模型保存下来（可使用or继续训练）
Python提供了许多机器学习框架，例如Scikit-learn、TensorFlow和PyTorch。这些框架是使用Python编写的，可以方便地训练模型。但是，模型训练是一项昂贵的任务，需要大量的计算资源和时间。一旦模型训练完成，将其保存以便以后使用是非常重要的。
解决办法
保存Python训练好的模型有多种方法，下面介绍其中几种。
方法一： 使用pickle——通用
pickle是Python标准库中的一个模块，它可以将Python对象序列化为二进制格式，以便于存储和传输。可以使用pickle将训练好的模型保存到磁盘上，以备将来使用。
保存模型
import pickle
# train the model
model = ...
# save the model
with open('my_model.pkl', 'wb') as f:
pickle.dump(model, f)加载（使用）模型
import pickle
# load the saved model
with open('my_model.pkl', 'rb') as f:
model = pickle.load(f)
# predict using the loaded model
model.predict(X)加载模型继续训练
import pickle
# load the saved model
with open('my_model.pkl', 'rb') as f:
model = pickle.load(f)
# continue training the model
model.fit(X_train, y_train)
# save the updated model
with open('my_updated_model.pkl', 'wb') as f:
pickle.dump(model, f)方法二：使用joblib——大型模型
joblib是一个用于将Python对象序列化为磁盘文件的库，专门用于 大型数组。它可以高效地处理大型数据集和模型。对于大型机器学习模型，使用joblib可能比pickle更快。
保存模型
import joblib # train the model model = ... # save the model joblib.dump(model, 'my_model.joblib')
加载（使用）模型
import joblib
# load the saved model
model = joblib.load('my_model.joblib')
# predict using the loaded model
model.predict(X)继续训练
import joblib
# load the saved model
model = joblib.load('my_model.joblib')
# continue training the model
model.fit(X_train, y_train)
# save the updated model
joblib.dump(model, 'my_updated_model.joblib')在这个例子中，我们使用joblib.load()函数加载之前保存的模型，并在新数据上继续训练模型。最后，我们使用joblib.dump()函数将更新后的模型保存到文件中。
方法三：使用HDF5——大型模型（保存权重）
HDF5是一种用于存储大型科学数据集的文件格式，常用于存储深度学习模型的权重。
保存模型（权重）
# train the model
model = ...
# save the model weights to HDF5 file
model.save_weights('my_model_weights.h5')使用模型
import tensorflow as tf
# define the model architecture
model = ...
# load the saved model weights
model.load_weights('my_model_weights.h5')
# predict using the loaded model weights
model.predict(X)在这个例子中，我们首先定义了模型的架构，然后使用model.load_weights()函数加载之前保存的模型权重，并在新数据上进行预测。
使用模型权重继续优化模
import tensorflow as tf
# define the model architecture
model = ...
# load the saved model weights
model.load_weights('my_model_weights.h5')
# continue training the model
model.fit(X_train, y_train)
# save the updated model weights to HDF5 file
model.save_weights('my_updated_model_weights.h5')需要注意的是，在使用保存的模型权重初始化新模型时，新模型的架构应该与原始模型相同。如果新模型的架构不同，您需要重新定义模型，并使用保存的权重初始化它。
在这个例子中，我们首先定义了模型的架构。
然后使用model.load_weights()函数加载之前保存的模型权重，并在新数据上继续优化模型。
最后，我们使用model.save_weights()函数将更新后的模型权重保存到HDF5文件中。
方法四：使用ONNX——不同平台
ONNX是一种开放式的格式，可以用于表示机器学习模型。使用ONNX，您可以将模型从一个框架转换为另一个框架，或者在不同平台上使用模型。
保存模型
import onnx # train the model model = ... # convert the model to ONNX format onnx_model = onnx.convert(model) # save the model onnx.save_model(onnx_model, 'my_model.onnx')
加载（使用）模型
import onnxruntime
# load the saved model
onnx_session = onnxruntime.InferenceSession('my_model.onnx')
# predict using the loaded model
input_name = onnx_session.get_inputs()[0].name
output_name = onnx_session.get_outputs()[0].name
result = onnx_session.run([output_name], {input_name: X})继续训练
由于ONNX格式是为模型转换而设计的，因此它不直接支持模型的进一步训练。
但是，您可以使用ONNX格式将模型从一个框架转换为另一个框架，并在新框架中继续训练模型。
例如，您可以使用ONNX格式将PyTorch模型转换为TensorFlow模型，并在TensorFlow中继续训练模型。
常见问题解答
我可以使用pickle将任何Python对象保存到磁盘上吗？
是的，pickle可以保存任何Python对象，包括模型、数据集、字典、列表等等。
如何将保存在pickle中的模型加载到另一个Python程序中？
您可以使用pickle.load()函数从pickle文件中加载模型，并将其存储在变量中。然后，您可以在另一个Python程序中使用该变量。
如何在保存模型的同时保存模型的元数据？
您可以将元数据存储在字典中，并将其一起保存到pickle文件中。然后，您可以在加载模型时从pickle文件中读取字典。
我可以在保存模型时使用不同的格式吗？
是的，您可以根据需要使用pickle、joblib、HDF5或ONNX格式保存模型。
如何在加载模型后继续训练模型？
您可以使用模型的.fit()方法在加载模型后继续训练模型。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。