深度学习小技巧（二）：如何保存和恢复scikit-learn训练的模型

更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud

在许多情况下，在使用scikit学习库的同时，你需要将预测模型保存到文件中，然后在使用它们的时候还原它们，以便重复使用以前的工作。比如在新数据上测试模型，比较多个模型的优劣。这种保存过程也称为对象序列化——表示具有字节流的对象，以便将其存储在磁盘上，它可以通过网络发送或保存到数据库，而其恢复的过程被称为反序列化。在本文中，我们将在Python和scikit学习中看到三种可能的方法，而且每种都有其优点和缺点。

1.保存和恢复模型的工具

我们第一个介绍的工具是Pickle，用于对象（de）序列化的标准Python工具。之后，我们会介绍Joblib库，它提供了容易（de）序列化方法，其中包含了大数据数组的对象，最后我们会介绍一种手动方法来保存和恢复JSON对象（JavaScript Object Notation）。这些方法都不能代表最佳解决方案，但是可以根据项目的需要选择合适的方案。

2.模型初始化

首先，我们要创建一个scikit学习模型。在我们的例子中，我们将使用Logistic回归模型和Iris数据集。我们导入所需的库，并且加载数据，并将其拆分为训练集和测试集。

from sklearn.linear_model import LogisticRegression  
from sklearn.datasets import load_iris  
from sklearn.model_selection import train_test_split

# Load and split data
data = load_iris()  
Xtrain, Xtest, Ytrain, Ytest = train_test_split(data.data, data.target, test_size=0.3, random_state=4)

现在让我们用一些非默认参数来创建模型，并用训练数据来“喂养”它。我们假设你先前已经找到了模型的最优参数，即产生最高估计精度的参数。

# Create a model
model = LogisticRegression(C=0.1,  
                           max_iter=20, 
                           fit_intercept=True, 
                           n_jobs=3, 
                           solver='liblinear')
model.fit(Xtrain, Ytrain)

这是我们产生的模型：

LogisticRegression(C=0.1, class_weight=None, dual=False, fit_intercept=True,  
    intercept_scaling=1, max_iter=20, multi_class='ovr', n_jobs=3,
    penalty='l2', random_state=None, solver='liblinear', tol=0.0001,
    verbose=0, warm_start=False)

使用该fit方法，模型已经学习了存储在其中的系数model.coef_。目标是将模型的参数和系数保存到文件中，因此你不需要再次对新数据重复模型训练和参数优化的步骤。

3.Pickle模块

在以下几行代码中，我们将上一步中创建的模型保存到文件中，然后作为一个新对象加载pickled_model。然后使用加载的模型计算准确度分数，并对新的未见（测试）数据进行预测结果。

import pickle
#
# Create your model here (same as above)
#
# Save to file in the current working directory
pkl_filename = "pickle_model.pkl"  
with open(pkl_filename, 'wb') as file:  
    pickle.dump(model, file)
# Load from file
with open(pkl_filename, 'rb') as file:  
    pickle_model = pickle.load(file)
# Calculate the accuracy score and predict target values
score = pickle_model.score(Xtest, Ytest)  
print("Test score: {0:.2f} %".format(100 * score))  
Ypredict = pickle_model.predict(Xtest)

运行此代码应该会产生你的预测分数，并通过Pickle保存模型：

$ python save_model_pickle.py
Test score: 91.11 %

使用Pickle来保存和恢复学习模型的好处在于它很快，并且你可以用两行代码完成。如果你已经对训练数据上的模型参数进行了优化，那么这是非常有用的，因此你不需要重复此步骤。不管如何，它都不保存测试结果和任何数据。但仍然可以保存多个对象的元组或列表（并记住哪个对象在哪里），如下所示：

tuple_objects = (model, Xtrain, Ytrain, score)
# Save tuple
pickle.dump(tuple_objects, open("tuple_model.pkl", 'wb'))
# Restore tuple
pickled_model, pickled_Xtrain, pickled_Ytrain, pickled_score = pickle.load(open("tuple_model.pkl", 'rb'))

3.Joblib模块

Joblib库它的目的是替代Pickle，用于包含大数据的对象。我们将重复与Pickle一样的保存和恢复过程。

from sklearn.externals import joblib
# Save to file in the current working directory
joblib_file = "joblib_model.pkl"  
joblib.dump(model, joblib_file)
# Load from file
joblib_model = joblib.load(joblib_file)
# Calculate the accuracy and predictions
score = joblib_model.score(Xtest, Ytest)  
print("Test score: {0:.2f} %".format(100 * score))  
Ypredict = pickle_model.predict(Xtest)

$ python save_model_joblib.py
Test score: 91.11 %

从示例中可以看出，与Pickle相比，Joblib库提供了一个简单的工作流程。虽然Pickle要求将文件对象作为参数传递，但是Joblib可与文件对象和字符串文件名一起使用。如果你的模型包含大量数据，则每个数组将存储在单独的文件中，但整体的保存和恢复过程将保持不变。Joblib还允许使用不同的压缩方法，如“zlib”，“gzip”，“bz2”和不同的压缩级别。

4.手动保存并还原到JSON

根据你的项目，很多时候你会发现Pickle和Joblib都不是合适的解决方案。其中一些原因将在兼容性问题部分中稍后讨论。无论何时要想完全控制保存和恢复过程，最好的方法是手动构建自己的功能。

以下显示了使用JSON手动保存和恢复对象的示例。这种方法允许我们选择需要保存的数据，例如模型参数，系数，训练数据以及我们需要的任何其他数据。

由于我们想将所有这些数据保存在一个对象中，所以一个可能的方法是创建一个继承我们的示例中的模型类的新类LogisticRegression。这个新类被MyLogReg调用，然后分别实现save_json和load_json的方法以保存和恢复JSON文件。

为简单起见，我们将只保存三个模型参数和训练数据。我们可以用这种方法存储一些额外的数据，例如训练集上的交叉验证分数，测试数据，测试数据的准确度等等。

import json  
import numpy as np
class MyLogReg(LogisticRegression):
    # Override the class constructor
    def __init__(self, C=1.0, solver='liblinear', max_iter=100, X_train=None, Y_train=None):
        LogisticRegression.__init__(self, C=C, solver=solver, max_iter=max_iter)
        self.X_train = X_train
        self.Y_train = Y_train
    # A method for saving object data to JSON file
    def save_json(self, filepath):
        dict_ = {}
        dict_['C'] = self.C
        dict_['max_iter'] = self.max_iter
        dict_['solver'] = self.solver
        dict_['X_train'] = self.X_train.tolist() if self.X_train is not None else 'None'
        dict_['Y_train'] = self.Y_train.tolist() if self.Y_train is not None else 'None'
        # Creat json and save to file
        json_txt = json.dumps(dict_, indent=4)
        with open(filepath, 'w') as file:
            file.write(json_txt)
    # A method for loading data from JSON file
    def load_json(self, filepath):
        with open(filepath, 'r') as file:
            dict_ = json.load(file)
        self.C = dict_['C']
        self.max_iter = dict_['max_iter']
        self.solver = dict_['solver']
        self.X_train = np.asarray(dict_['X_train']) if dict_['X_train'] != 'None' else None
        self.Y_train = np.asarray(dict_['Y_train']) if dict_['Y_train'] != 'None' else None

现在我们来试一试MyLogReg。首先我们创建一个对象mylogreg，将训练数据传递给它，并将其保存到文件中。然后我们创建一个新对象json_mylogreg，并调用该load_json方法从文件加载数据。

filepath = "mylogreg.json"
# Create a model and train it
mylogreg = MyLogReg(X_train=Xtrain, Y_train=Ytrain)  
mylogreg.save_json(filepath)
# Create a new object and load its data from JSON file
json_mylogreg = MyLogReg()  
json_mylogreg.load_json(filepath)  
json_mylogreg

打印出新的对象，我们可以根据需要来查看我们的参数和训练数据。

MyLogReg(C=1.0,  
     X_train=array([[ 4.3,  3. ,  1.1,  0.1],
       [ 5.7,  4.4,  1.5,  0.4],
       ...,
       [ 7.2,  3. ,  5.8,  1.6],
       [ 7.7,  2.8,  6.7,  2. ]]),
     Y_train=array([0, 0, ..., 2, 2]), class_weight=None, dual=False,
     fit_intercept=True, intercept_scaling=1, max_iter=100,
     multi_class='ovr', n_jobs=1, penalty='l2', random_state=None,
     solver='liblinear', tol=0.0001, verbose=0, warm_start=False)

由于使用JSON的数据序列化实际上是将对象保存为字符串格式，而不是字节流，所以'mylogreg.json'文件可以使用文本编辑器打开和修改。虽然这种方法对开发人员来说很方便，但是由于入侵者可以查看和修改JSON文件的内容，因此安全性较低。此外，这种方法更适合于具有少量实例变量的对象，例如scikit-learn模型，因为任何添加新变量都需要在保存和恢复方法中进行更改。

5.兼容性问题

尽管到目前为止，每个工具的优点和缺点已被介绍，但Pickle和Joblib工具的最大缺点可能是其与不同型号的Python版本的兼容性。

5.1：Python版本的兼容性——两种工具的文档都指出，不建议（de）在不同的Python版本之间对对象进行序列化，尽管它可能在低级的版本更改中起作用。

5.2：模型兼容性——最常见的错误之一是使用Pickle或Joblib保存模型，然后在尝试从文件还原之前更改模型。模型的内部结构需要在保存和重新加载之间保持不变。

Pickle和Joblib的最后一个问题与安全性有关。这两种工具都可能包含恶意代码，因此不建议从不受信任或未经身份验证的源代码。

6.结论

在这篇文章中，我们描述了三种保存和恢复scikit学习模型的工具。Pickle和Joblib库可以快速方便地使用，但是在不同的Python版本和学习模型的变化中存在兼容性问题。另一方面，手动方法更难实现，需要在模型结构发生任何变化中进行修改，但在另一方面，它可以轻松地适应各种需求，并且没有任何兼容性问题。

作者信息

深度学习小技巧（二）：如何保存和恢复scikit-learn训练的模型

作者：Mihajlo Pavloski，数据科学与机器学习的爱好者，博士生。

本文由阿里云云栖社区组织翻译。

文章原标题《TensorFlow : Save and Restore Models》

作者：Mihajlo Pavloski 译者：虎说八道，审阅：

文章为简译，更为详细的内容，请查看原文

深度学习小技巧（二）：如何保存和恢复scikit-learn训练的模型

深度学习小技巧（一）：如何保存和恢复TensorFlow训练的模型

深度学习小技巧（二）：如何保存和恢复scikit-learn训练的模型