使用 Dill 序列化 scikit-learn/statsmodels 模型的陷阱是什么？

Question

我需要序列化 ​​scikit-learn/statsmodels 模型，以便将所有依赖项（代码 + 数据）打包在一个人工制品中，并且该人工制品可用于初始化模型并进行预测。使用pickle module 不是一个选项，因为这只会处理数据依赖关系（代码不会被打包）。所以，我一直在用Dill 进行实验。为了使我的问题更准确，以下是我构建模型并将其持久化的示例。

from sklearn import datasets
from sklearn import svm
from sklearn.preprocessing import Normalizer
import dill

digits = datasets.load_digits()
training_data_X = digits.data[:-5]
training_data_Y = digits.target[:-5]
test_data_X = digits.data[-5:]
test_data_Y = digits.target[-5:]

class Model:
    def __init__(self):
        self.normalizer = Normalizer()
        self.clf = svm.SVC(gamma=0.001, C=100.)
    def train(self, training_data_X, training_data_Y):
        normalised_training_data_X = normalizer.fit_transform(training_data_X)
        self.clf.fit(normalised_training_data_X, training_data_Y)
    def predict(self, test_data_X):
        return self.clf.predict(self.normalizer.fit_transform(test_data_X))  

model = Model()
model.train(training_data_X, training_data_Y)
print model.predict(test_data_X)
dill.dump(model, open("my_model.dill", 'w'))

与此相对应，这是我如何初始化持久模型（在新会话中）并进行预测。请注意，此代码没有显式初始化或知道class Model。

import dill
from sklearn import datasets

digits = datasets.load_digits()
training_data_X = digits.data[:-5]
training_data_Y = digits.target[:-5]
test_data_X = digits.data[-5:]
test_data_Y = digits.target[-5:]

with open("my_model.dill") as model_file:
    model = dill.load(model_file)

print model.predict(test_data_X)

有人用过Dill is this way吗？这个想法是让数据科学家为他们实施的每个模型扩展一个ModelWrapper class，然后围绕此构建基础架构以保持模型、将模型部署为服务并管理模型的整个生命周期。

class ModelWrapper(object):
    __metaclass__ = abc.ABCMeta
    def __init__(self, model):
        self.model = model
    @abc.abstractmethod
    def predict(self, input):
        return
    def dumps(self):
        return dill.dumps(self)
    def loads(self, model_string):
        self.model = dill.loads(model_string)

除了安全隐患（任意代码执行）和像scikit-learn 这样的模块必须安装在为模型服务的机器上的要求之外，这种方法是否存在任何其他缺陷？任何建议或建议将是最有帮助的。

我认为YHat 和Dato 采取了类似的方法，但出于类似目的推出了自己的 Dill 实现。

Answer 1

好的，在您的示例代码中 pickle 可以正常工作，我一直使用 pickle 来打包模型并在以后使用它，除非您想将模型直接发送到另一台服务器或保存 @987654322 @，因为那是Dill擅长的，pickle做不到的。这还取决于您的代码、您使用的类型等，pickle 可能会失败，Dill 更稳定。

Dill 主要基于pickle，因此它们非常相似，您应该考虑/研究一些事情：

1. Dill的限制

   frame,generator,traceback标准类型不能打包。

2. cloudpickle 也可能是解决您的问题的好主意，它在酸洗对象方面有更好的支持（比泡菜，不比 Dill 更好），您也可以轻松地泡菜代码。

一旦目标机器加载了正确的库（注意不同的python 版本，因为它们可能会错误您的代码），只要Dill 和cloudpickle 都应该可以正常工作，只要不要使用不受支持的标准类型。

希望这会有所帮助。

Answer 2

我使用pickle 从scikit-learn 打包高斯过程（GP）。

主要原因是因为使用pickle 构建GP 需要很长时间并且加载速度更快。因此，在我的代码初始化中，我检查模型的数据文件是否已更新并在必要时重新生成模型，否则只需从 pickle 反序列化它！

我会按各自的顺序使用pickle、dill、cloudpickle。

注意pickle 包含protocol 关键字参数，一些值可以显着加快和减少内存使用！ 最后，如有必要，我会使用 CPython STL 的压缩来包装 pickle 代码。

Answer 3

我是dill 作者。 dill 旨在完全按照您正在做的事情......（在类实例中保持数值拟合以进行统计），然后这些对象可以分布到不同的资源并以令人尴尬的并行方式运行。所以，答案是肯定的——我已经使用mystic 和/或sklearn 运行了像你这样的代码。

请注意，sklearn 的许多作者使用cloudpickle 来启用sklearn 对象的并行计算，而不是dill。 dill 可以比 cloudpickle 腌制更多类型的对象，但是 cloudpickle 在腌制将全局字典作为闭包的一部分的对象时稍好一些（在撰写本文时）——默认情况下，@987654335 @ 通过引用执行此操作，而 cloudpickle 物理存储依赖项。但是，dill 有一个"recurse" 模式，其作用类似于cloudpickle，因此使用此模式时的差异很小。 （要启用"recurse" 模式，请执行dill.settings['recurse'] = True，或使用recurse=True 作为dill.dump 中的标志）。另一个小区别是cloudpickle 包含对scikits.timeseries 和PIL.Image 之类的特殊支持，而dill 没有。

从好的方面来说，dill 不会通过引用来腌制类，因此通过腌制类实例，它会序列化类对象本身——这是一个很大的优势，因为它序列化分类器、模型的派生类的实例, 等等来自sklearn 在酸洗时的确切状态......所以如果你对类对象进行修改，实例仍然会正确取消选择。 dill 与 cloudpickle 相比还有其他优点，除了对象范围更广（通常是更小的泡菜）——但是，我不会在这里列出它们。你问的是陷阱，所以差异不是陷阱。

主要陷阱：

• 你应该将你的类引用的任何东西都安装在 远程机器，以防万一dill（或cloudpickle）通过腌制它 参考。

• 您应该尝试将您的类和类方法设置为 尽可能自包含（例如，不要引用定义在 类的全局范围）。

• sklearn 对象可能很大，因此将其中许多对象保存到一个 泡菜并不总是一个好主意……您可能想使用klepto 它具有用于缓存和归档的dict 接口，并允许您配置归档接口以单独存储每个键值对（例如每个文件一个条目）。