Python scikit学习：导出经过训练的分类器

我正在使用一个基于scikit学习的DBN（深度信念网络）

我已经建立了一个可以很好地对数据进行分类的网络，现在我对导出模型以进行部署很感兴趣，但我不知道如何进行（每次我想预测一些事情时，我都在训练DBN）。在

matlab

中，我只需导出权重矩阵并将其导入另一台机器

是否有人知道如何导出要导入的模型/权重矩阵，而无需再次训练整个模型

首先，安装

您可以使用：

>>> import joblib
>>> joblib.dump(clf, 'my_model.pkl', compress=9)

然后，在预测服务器上：

>>> import joblib
>>> model_clone = joblib.load('my_model.pkl')

这基本上是一个Python pickle，具有针对大型numpy数组的优化处理。它与常规pickle w.r.t.代码更改具有相同的限制：如果pickle对象的类结构发生更改，您可能无法再使用新版本的nolearn或scikit learn解除对该对象的绑定

如果您想要长期可靠地存储模型参数，您可能需要编写自己的IO层（例如，使用二进制格式的序列化工具，如协议缓冲区或avro，或低效但可移植的文本/json/xml表示，如）

scikit学习文档中的部分涵盖了几乎所有内容

除了指向的

sklearn.externals.joblib

ogrisel之外，它还显示了如何使用常规pickle包：

>>> from sklearn import svm
>>> from sklearn import datasets
>>> clf = svm.SVC()
>>> iris = datasets.load_iris()
>>> X, y = iris.data, iris.target
>>> clf.fit(X, y)  
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, degree=3, gamma=0.0,
  kernel='rbf', max_iter=-1, probability=False, random_state=None,
  shrinking=True, tol=0.001, verbose=False)

>>> import pickle
>>> s = pickle.dumps(clf)
>>> clf2 = pickle.loads(s)
>>> clf2.predict(X[0])
array([0])
>>> y[0]
0

---

并给出一些警告，例如保存在一个版本的scikit learn中的模型可能无法加载到另一个版本。

Pickling/unpickling的缺点是，它只适用于匹配的python版本（主要版本，可能也包括次要版本）和sklearn、joblib库版本

机器学习模型有其他描述性输出格式，如由开发的，如预测模型标记语言（PMML）和可移植分析格式（PFA）。在这两种方法中，PMML是最重要的

---

因此，您可以选择将模型从scikit学习保存到PMML（例如使用），然后使用在java、spark或hive中部署和运行它（当然，您有更多的选择）

你们试过简单地用模块序列化模型吗？@ffriend-没有，但我会试试。谢谢！我得到

RuntimeError:joblib.dump（clf，'my_model.pkl'，compress=9）

超过了最大递归深度。。注意：

sklearn.externals.joblib在0.21中不推荐使用，将在0.23中删除。现在您可以使用
pip install joblib
安装它并直接导入。这看起来不错，但是如果部署也是基于Python的呢？是否有
pmml2sklearn
？