Python 我无法使用joblib和pickle将ML模型加载到烧瓶中

我面临着将ML模型（随机森林ML模型）装入烧瓶的问题。 我尝试过两个库joblib和pickle都会生成相同的错误

model=pickle.load（f）
sklearn.tree.\u tree.tree.\u cinit中的文件“sklearn\tree\\u tree.pyx”，第606行__
ValueError:缓冲区数据类型不匹配，应为“SIZE\u t”，但为“long”

这是我的烧瓶应用程序

#导入所有必要的库
#使用pickle加载预先训练的模型。
打开（f'model/model_2.pkl，'rb'）作为f：
模型=pickle.load（f）
#模型=负载（'model/model.joblib'）
app=flask.flask（\uuuuu name\uuuuuuuuuu，template\u folder='templates'））

我的Jubyter笔记本：

来自sklearn.employ的

从sklearn.model\u选择导入列车\u测试\u拆分
将numpy导入为nm
作为pd进口熊猫
从sklearn.metrics导入分类报告
从sklearn.metrics导入混淆矩阵
df=pd.read\u csv（'phishing\u url\u v2.csv'）
列=['No_of_dots'、'Length_of_host'、'contains（exe）'、'redirect（/）'、]
labels=df[“恶意”]。值
特征2=df[列表（列）]。值
X_列_2，X_测试_2，y_列_2，y_测试_2=列_测试_分割（特征_2，标签，测试_大小=0.30）
模型=随机森林分类器（n_估计值=52）
模型拟合（X\U列2，y\U列2）
model_predict_2=model.predict（X_test_2）
精度=混淆矩阵（y检验2，模型预测2）
打印（准确性）
从joblib导入转储，加载
转储（模型'model.joblib'）
进口泡菜
pickle.dump（model，open（'model_2.pkl'，'wb'））

我在Jubyter笔记本中加载模型，效果非常好

model = pickle.load(open('model_2.pkl','rb'))
print(model.predict([[1,10,0,0]]))
[0]

---

我想不出这个问题。

谢谢马约斯滕的提示。 问题是Jubyter笔记本中使用的python版本是32位，而Pycharm中使用的是64位

要验证，请使用此命令

import ctypes
print (ctypes.sizeof(ctypes.c_voidp))

# 8 for 64bit and 4 for 32bit

---

谢谢梅奥斯滕的提示。 问题是Jubyter笔记本中使用的python版本是32位，而Pycharm中使用的是64位

要验证，请使用此命令

import ctypes
print (ctypes.sizeof(ctypes.c_voidp))

# 8 for 64bit and 4 for 32bit

---

两个问题：1）导入错误是否只发生在烧瓶中？即，您能否重新导入模型并在导出后在Jupyter NB中成功执行？2） 我在Flask应用程序代码中没有看到pickle的导入语句。你能发布Flask应用程序的完整代码吗？另外，您是否在与您在Jupyter中创建和序列化模型时相同的环境中使用相同版本的sklearn运行Flask应用程序？在不同体系结构上转储/加载可能有用的线程，至少可以解释您的问题：我在Flask和JubyterNotebook中使用相同版本的sklearn。我试着加载另一个线性回归模型，它工作正常。我在Jubyter笔记本中加载了该模型，工作正常。到目前为止，对于Flask，问题是如何加载模型两个问题：1）导入错误是否只发生在Flask中？即，您能否重新导入模型并在导出后在Jupyter NB中成功执行？2） 我在Flask应用程序代码中没有看到pickle的导入语句。你能发布Flask应用程序的完整代码吗？另外，您是否在与您在Jupyter中创建和序列化模型时相同的环境中使用相同版本的sklearn运行Flask应用程序？在不同体系结构上转储/加载可能有用的线程，至少可以解释您的问题：我在Flask和JubyterNotebook中使用相同版本的sklearn。我试着加载另一个线性回归模型，它工作正常。我在Jubyter笔记本中加载了该模型，工作正常。到目前为止，这就是我所拥有的，问题在于加载modelBravo！我们打算进一步建议将您在Conda中使用的确切环境导出到虚拟环境，但看起来您发现了类似的东西。太棒了！我们将进一步建议将您在Conda中使用的确切环境导出到虚拟环境，但看起来您发现了类似的内容。