人人爱天天做夜夜爽2020麻豆,视频二区精品中文字幕,中国欧美一级毛片免费

# 保存模型
def save_model_pickle(model, filepath):
try:
with open(filepath, 'wb') as f:
pickle.dump({
'model': model,
'version': '1.0.0',
'metadata': {
'creation_date': '2025-02-10',
'framework_version': model.__class__.__module__
}
}, f)
return True
except Exception as e:
print(f"保存模型失敗：{e}")
return False

# 加載模型
def load_model_pickle(filepath):
try:
with open(filepath, 'rb') as f:
data = pickle.load(f)
return data['model'], data['metadata']
except Exception as e:
print(f"加載模型失敗：{e}")
return None, None

2.2 joblib

優點：

專為科學計算設計
對 numpy 數組處理效率高
支持內存映射
提供更好的壓縮效率

缺點：

需要額外安裝
僅適用于 Python
文件格式可能隨版本變化

使用示例：

from joblib import dump, load



# 保存模型

def save_model_joblib(model, filepath):

    try:

        dump({

            'model': model,

            'metadata': {

                'creation_date': '2025-02-10',

                'framework_version': model.__class__.__module__

            }

        }, filepath, compress=3)

        return True

    except Exception as e:

        print(f"保存模型失敗：{e}")

        return False



# 加載模型

def load_model_joblib(filepath):

    try:

        data = load(filepath)

        return data['model'], data['metadata']

    except Exception as e:

        print(f"加載模型失敗：{e}")

        return None, None

三、主流機器學習框架的模型保存方法

3.1 Scikit-learn 模型

from sklearn.ensemble import RandomForestClassifier

import joblib



# 創建和訓練模型

rf_model = RandomForestClassifier()

rf_model.fit(X_train, y_train)



# 方法 1：使用 joblib（推薦）

joblib.dump(rf_model, 'rf_model.joblib')

rf_model = joblib.load('rf_model.joblib')



# 方法 2：使用 pickle

import pickle

with open('rf_model.pkl', 'wb') as f:

    pickle.dump(rf_model, f)

with open('rf_model.pkl', 'rb') as f:

    rf_model = pickle.load(f)

3.2 XGBoost 模型

import xgboost as xgb



# 創建和訓練模型

xgb_model = xgb.XGBClassifier()

xgb_model.fit(X_train, y_train)



# 方法 1：XGBoost 原生格式（推薦）

# 保存

xgb_model.save_model('xgb_model.json')  # JSON 格式

xgb_model.save_model('xgb_model.ubj')   # 二進制格式



# 加載

xgb_model.load_model('xgb_model.json')

xgb_model.load_model('xgb_model.ubj')



# 方法 2：使用 pickle

with open('xgb_model.pkl', 'wb') as f:

    pickle.dump(xgb_model, f)

3.3 LightGBM 模型

import lightgbm as lgb



# 創建和訓練模型

lgb_model = lgb.LGBMClassifier()

lgb_model.fit(X_train, y_train)



# 方法 1：LightGBM 原生格式（推薦）

# 保存

lgb_model.save_model('lgb_model.txt')      # 文本格式

lgb_model.booster_.save_model('lgb_model.txt', 

                             num_iteration=lgb_model.best_iteration_)



# 加載

lgb_model = lgb.Booster(model_file='lgb_model.txt')

3.4 CatBoost 模型

from catboost import CatBoostClassifier



# 創建和訓練模型

cat_model = CatBoostClassifier()

cat_model.fit(X_train, y_train)



# 方法 1：CatBoost 原生格式（推薦）

# 保存

cat_model.save_model('cat_model.cbm')           # 二進制格式

cat_model.save_model('cat_model.json', format='json')  # JSON 格式



# 加載

cat_model.load_model('cat_model.cbm')

cat_model.load_model('cat_model.json', format='json')

四、深度學習框架的模型保存

4.1 PyTorch 模型

import torch



# 保存完整模型

torch.save(model, 'model.pth')

# 僅保存模型參數（推薦）

torch.save(model.state_dict(), 'model_params.pth')



# 加載完整模型

model = torch.load('model.pth')

# 加載模型參數

model = YourModelClass()

model.load_state_dict(torch.load('model_params.pth'))

4.2 TensorFlow/Keras 模型

import tensorflow as tf



# 保存完整模型

model.save('model_folder')

# 僅保存權重

model.save_weights('model_weights')



# 加載完整模型

model = tf.keras.models.load_model('model_folder')

# 加載權重

model = YourModelClass()

model.load_weights('model_weights')

五、最佳實踐與建議

5.1 模型保存的完整方案

def save_model_complete(model, filepath, model_info=None):

    """完整的模型保存方案"""

    import json

    from datetime import datetime



    # 基本信息

    save_info = {

        'model_type': model.__class__.__name__,

        'framework': model.__class__.__module__,

        'save_time': datetime.now().isoformat(),

        'version': '1.0.0',

    }



    # 添加自定義信息

    if model_info:

        save_info.update(model_info)



    # 保存模型

    try:

        # 選擇合適的保存方法

        if hasattr(model, 'save_model'):

            # 使用模型原生保存方法

            model.save_model(filepath)

        else:

            # 使用 joblib 作為默認方法

            joblib.dump(model, filepath)



        # 保存元數據

        meta_filepath = filepath + '.meta.json'

        with open(meta_filepath, 'w') as f:

            json.dump(save_info, f, indent=2)



        return True

    except Exception as e:

        print(f"保存模型失敗：{e}")

        return False