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。
  • 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:

    DaaS-login

    在同一类型格式选项中,可以参考以下筛选流程:

    DaaS-login

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')
    1. 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

    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