开源AI模型序列化总结

目录

模型序列化简介

模型序列化是模型部署的第一步,如何把训练好的模型存储起来,以供后续的模型预测使用,是模型部署的首先要考虑的问题。本文主要罗列当前流行开源模型不同序列化方法,以供查阅参考,欢迎添加和指正(Github)。

序列化分类

  • 跨平台跨语言通用序列化方法,主要使用三种格式:XML,JSON,和Protobuf,前两种是文本格式,人和机器都可以理解,后一种是二进制格式,只有机器能理解,但在存储传输解析上有很大的速度优势。

    • PMML (Predictive Model Markup Language),基于XML格式。由数据挖掘组织DMG(Data Mining Group)开发和维护,是表示传统机器学习模型的实际标准,具有广泛的应用。详细参考文章《使用PMML部署机器学习模型》
    • ONNX (Open Neural Network Exchange),基于Protobuf二进制格式。初始由微软和Facebook推出,后面得到了各大厂商和框架的支持,已成为表示深度神经网络模型的不二标准,通过onnx-ml也已经可以支持传统非深度神经网络模型。详细参考文章《使用ONNX部署深度学习和传统机器学习模型》
    • PFA (Portable Format for Analytics),基于JSON格式。PFA同样由PMML的领导组织DMG开发,最新标准是2015发布的0.8.1,后续再没有发布新版本。OpenDataGroup公司开发了基于PFA的预测库Hadrian,提供Java/Scala/Python/R等多语言接口。
    • MLeap,基于JSON或者Protobuf格式。开源但非标准,由初创公司Combust开发,刚开始主要提供对Spark Pipelines的支持,目前也可以支持Scikit-learn等模型。Combust同时提供了MLeap Runtime来支持MLeap格式模型,基于Scala开发,实现了一个独立的预测运行引擎,不依赖于Spark或者Scikit-learn等库。
    • Core ML,基于Protobuf二进制格式,由苹果公司开发,主要目标为在移动设备上使用AI模型。
  • 语言级通用序列化方法

    joblib在序列化大numpy数组时有性能优势,pickle的c实现cpickle速度也很快。

  • 模型自定义方法

    • 文本或者二进制格式
    • 语言专有或者跨语言跨平台自定义格式

Scikit-learn模型序列化方法:

XGBoost模型序列化方法:

LightGBM模型序列化方式:

Spark-ML模型序列化方式

  • Spark-ML内部存储格式,PipelineModel提供saveload方法,输入的是一个路径,而不是文件名,因为要存储到多个不同的文件中。Spark在大数据的分布式处理有很大优势,比如适合批量预测和模型评估,但是对于实时预测来说,太重量级了,效率不高。提供Scala,Java和Python接口,可以跨平台和语言读取。
  • PMML:JPMML-SparkML
  • ONNX:ONNXMLTools,还在实验阶段。
  • PFA:Aardpfark,支持还不完全。
  • MLeap

Keras模型序列化方法

  • Keras内部格式

    1. HDF5:
    # Save the model
    model.save('path_to_my_model.h5')
    # Recreate the exact same model purely from the file
    new_model = keras.models.load_model('path_to_my_model.h5')
    
    1. TensorFlow SavedModel 格式,该格式是TensorFlow对象的独立序列化格式,由TensorFlow serving和TensorFlow(而不是Python)支持。
    # Export the model to a SavedModel
    model.save('path_to_saved_model', save_format='tf')
    # Recreate the exact same model
    new_model = keras.models.load_model('path_to_saved_model')
    
  • PMML: Nyoka,导出的是扩展的PMML模型,不属于PMML标准。

  • ONNX:keras2onnx

Pytorch模型序列化方法

  • Pytorch内部格式:只存储已训练模型的状态(包括weights and biases),因为仅仅为了模型预测。

    # Saving & Loading Model for Inference
    torch.save(model.state_dict(), PATH)
    model = TheModelClass(*args, **kwargs)
    model.load_state_dict(torch.load(PATH))
    model.eval()
    
  • ONNX:内部支持torch.onnx.export

MXNet模型序列化方法

  • MXNet内部格式

    1. 只存储模型参数,不包含模型结构,加载时需要建立模型结构。
    # Saving model parameters to file
    net = build_net(gluon.nn.Sequential())
    train_model(net)
    net.save_parameters(file_name)
    # Loading model parameters from file
    new_net = build_net(gluon.nn.Sequential())
    new_net.load_parameters(file_name, ctx=ctx)
    
    1. 存储模型参数和结构到JSON文件中,该格式可以跨平台和语言使用,可以在不同的语言中被加载,比如C,C++或者Scala。
    # Saving model parameters AND architecture to file
    net = build_net(gluon.nn.HybridSequential())
    net.hybridize()
    train_model(net)
    # Two files path-symbol.json and path-xxxx.params will be created, where xxxx is the 4 digits epoch number.
    net.export(path)
    # Loading model parameters AND architecture from file
    gluon.nn.SymbolBlock.imports(symbol_file, input_names, param_file=None, ctx=None)
    
  • ONNX:内部支持mxnet.contrib.onnx.export_model

总结

这并不是一个完整的列表,欢迎大家贡献,标星_

Github地址:https://github.com/aipredict/ai-models-serialization

https://www.jianshu.com/p/777d07037d00

「点点赞赏,手留余香」

    还没有人赞赏,快来当第一个赞赏的人吧!
pandas
0 条回复 A 作者 M 管理员
    所有的伟大,都源于一个勇敢的开始!
欢迎您,新朋友,感谢参与互动!欢迎您 {{author}},您在本站有{{commentsCount}}条评论