开源AI模型序列化总结

目录

模型序列化简介
序列化分类
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
Keras模型序列化方法
Pytorch模型序列化方法
MXNet模型序列化方法
总结

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。
模型本身提供的自定义序列化方法
- 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
语言级通用序列化方法
- Python - pickle
- Python - joblib
- R - rda
  
  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。
用户自定义序列化方法
- 以上方法都无法达到要求，用户可以使用自定义序列化格式，以满足自己的特殊部署需求：部署性能、模型大小、环境要求等等。但这种方法在模型升级维护以及版本兼容性上是一个大的挑战。
如何选择模型序列化方法，可以参考以下顺序，优先使用跨平台跨语言通用序列化方法，最后再考虑使用自定义序列化方法：

在同一类型格式选项中，可以参考以下筛选流程：

Scikit-learn模型序列化方法：

PMML：Nyoka，SkLearn2PMML
ONNX：sklearn-onnx, 或者ONNXMLTools包装了sklearn-onnx
MLeap
Pickle 或者 Joblib

XGBoost模型序列化方法：

XGBoost自定义二进制格式，该格式是一种与语言和平台无关的内部通用格式。
- xgboost.Booster.save_model
- xgboost.Booster.load_model
PMML：Nyoka，SkLearn2PMML
ONNX：ONNXMLTools
Pickle 或者 Joblib（使用Python API）

LightGBM模型序列化方式：

LightGBM自定义格式：文本文件或者字符串。
- lightgbm.Booster.save_model
- lightgbm.Booster.model_to_string
- 构造函数导入模型 lightgbm.Booster
PMML：Nyoka，SkLearn2PMML
ONNX：ONNXMLTools
Pickle 或者 Joblib（使用Python API）

Spark-ML模型序列化方式

Spark-ML内部存储格式，PipelineModel提供save和load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：

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')

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')

分别存储模型结构和模型权重值（Weights）。模型结构可以存储为JSON：

json_string = model.to_json()
model = keras.models.model_from_json(json_string)

或者YAML：

yaml_string = model.to_yaml()
model = keras.models.model_from_yaml(yaml_string)

模型权重值可以存储为HDF5格式：

model.save_weights('path_to_my_weights.h5')

或者TF格式：

model.save_weights('path_to_my_weights', save_format='tf')

因为该方法没有存储模型训练配置参数和优化器（Optimizer），所以如果您需要再继续训练模型，必须重新调用compile()函数来设置。但是如果只是用于模型预测，这种序列化方式已经足够了，完整的例子：

# Save JSON config to disk
json_config = model.to_json()
with open('model_config.json', 'w') as json_file:
    json_file.write(json_config)

# Save weights to disk
model.save_weights('path_to_my_weights.h5')

# Reload the model from the 2 files we saved
with open('model_config.json') as json_file:
    json_config = json_file.read()
new_model = keras.models.model_from_json(json_config)
new_model.load_weights('path_to_my_weights.h5')

# Make prediction against the restored model.
new_model.predict(x_test)

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：

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)

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

aipredict/ai-models-serialization

About

Topics

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Packages