在scikit中保存机器学习模型的所有格式是什么?学习、keras、tensorflow和mxnet？

Question

有许多方法可以保存模型及其权重。当我们可以阅读和比较它们的属性的方法如此之多，而不是任何来源时，这是令人困惑的。

我知道的一些格式是：

1. YAML文件-结构
2. 仅JSON文件-结构
3. H5完全模型- Keras
4. 仅限H5权重- Keras
5. ProtoBuf -使用TensorFlow服务进行部署
6. 泡菜-科学-学习
7. 学习-取代Pickle，用于包含大数据的对象。

讨论：

与scikit学习不同，Keras不建议您使用泡菜保存模型。相反，模型被保存为HDF5文件。HDF5文件包含所需的一切，您不仅需要加载模型来进行预测(即架构和经过训练的参数)，还需要重新启动培训(即丢失和优化器设置和当前状态)。

为Scikit保存模型的其他格式是什么--学习、Keras、Tensorflow和Mxnet？另外，关于上述每种讨论的格式，我缺少哪些信息？。

Answer 1

还有一些格式，如onnx，它基本上支持大多数框架，并有助于消除对不同框架使用不同格式的混淆。

Answer 2

还有TFJS格式，它使您能够在web或node.js环境中使用模型。此外，您还需要TF Lite格式在移动设备和边缘设备上进行推理。最近，微控制器用TF Lite将模型导出为C头文件中的字节数组。

Answer 3

关于保存模型的格式的问题有多个可能的答案，这是基于为什么要保存模型的：

1. 保存您的模型，以便稍后继续进行培训。
2. 保存您的模型以加载它，以便以后进行推理。

这些场景为您提供了几个选项：

您可以使用特定于库的保存函数来保存您的模型；如果您想继续培训，请确保您已经保存了真正能够恢复培训所需的所有信息。这里的格式将因库而异，实际上并不是为了成为您可以以任何方式检查或读取的格式--它们只是文件。如果您正在寻找一个将所有这些保存函数封装在公共API后面的库，则应该查看模型存储库。

您还可以使用像ONNX这样的通用格式；有来自Keras to ONNX和scikit学习ONNX的转换器可用；但是在以后的恢复培训中使用这种格式是不常见的。这里的好处是，它们都被保存为一种通用格式，这可能会简化以后加载它们的过程。