• 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）。

• 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：

  

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

• 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')

  2. 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')

  3. 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)

  2. 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

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