🔐 Как сохранить обученную модель в Python: простой способ

import pickle

# Обучение модели
model = ...

# Сохранение модели в файл
with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)

Как сохранить обученную модель в Python

В мире машинного обучения, сохранение обученных моделей является важной задачей. После того, как вы успешно обучили модель на своих данных, вам может потребоваться сохранить ее, чтобы позже использовать ее для прогнозирования или других целей.

В этой статье я расскажу вам о различных способах сохранения обученных моделей в Python. Мы рассмотрим как сохранять модели в библиотеках scikit-learn и TensorFlow, которые являются популярными инструментами машинного обучения.

Сохранение моделей в библиотеке scikit-learn

Scikit-learn предоставляет простой способ сохранить модели с помощью модуля joblib. Joblib предоставляет удобные функции для сохранения объектов Python, включая модели машинного обучения. Давайте посмотрим на пример:

from sklearn import svm
from sklearn import datasets
from joblib import dump, load

# Загрузка данных
iris = datasets.load_iris()
X = iris.data
y = iris.target

# Создание и обучение модели
clf = svm.SVC()
clf.fit(X, y)

# Сохранение модели
dump(clf, 'model.joblib')

В приведенном выше примере мы используем библиотеку scikit-learn для загрузки набора данных iris, создания модели Support Vector Machine (SVM) и обучения этой модели на данных. Затем мы используем функцию dump() из модуля joblib для сохранения обученной модели в файл с именем "model.joblib".

Загрузка сохраненных моделей

После того, как мы сохранили модель, мы можем ее загрузить, чтобы использовать ее позже. Давайте посмотрим на пример:

# Загрузка сохраненной модели
loaded_model = load('model.joblib')

# Пример использования загруженной модели для прогнозирования новых данных
result = loaded_model.predict([[5.1, 3.5, 1.4, 0.2]])
print(result)

В приведенном выше примере мы используем функцию load() из модуля joblib, чтобы загрузить сохраненную модель обратно в переменную loaded_model. Затем мы используем загруженную модель для прогнозирования новых данных, в данном случае, мы просто подаем на вход новый пример данных и получаем соответствующий прогноз.

Сохранение моделей в библиотеке TensorFlow

Если вы работаете с моделями глубокого обучения или используете библиотеку TensorFlow, то есть специальные способы сохранения моделей в TensorFlow.

Один из таких способов - использование метода save() у объекта модели. Вот пример:

import tensorflow as tf
from tensorflow import keras

# Создание и обучение модели
model = keras.Sequential([keras.layers.Dense(1, input_shape=(1,))])
model.compile(optimizer='adam', loss='mse')
model.fit([1, 2, 3, 4], [2, 4, 6, 8], epochs=100)

# Сохранение модели
model.save('model.h5')

В приведенном выше примере мы создаем простую модель с одним слоем и компилируем ее с помощью оптимизатора 'adam' и функции потерь 'mse'. Затем мы обучаем эту модель на простых данных. И, наконец, при помощи метода save() мы сохраняем модель в файл с именем "model.h5".

Загрузка сохраненных моделей в TensorFlow

После сохранения моделей в TensorFlow, мы можем загрузить их для использования. Вот пример:

# Загрузка сохраненной модели
loaded_model = tf.keras.models.load_model('model.h5')

# Пример использования загруженной модели для прогнозирования новых данных
result = loaded_model.predict([5])
print(result)

В приведенном выше примере мы используем метод load_model() из TensorFlow, чтобы загрузить сохраненную модель обратно в переменную loaded_model. Затем мы используем загруженную модель для прогнозирования новых данных, в данном случае, мы просто подаем на вход новый пример данных и получаем соответствующий прогноз.

Вывод

В этой статье мы рассмотрели различные способы сохранения обученных моделей в Python. Мы рассмотрели сохранение моделей в библиотеках scikit-learn и TensorFlow, и показали примеры кода для каждого способа. Теперь вы знаете, как сохранить свою обученную модель и загрузить ее позже для использования.

Надеюсь, эта статья была полезной для вас. Успехов в вашем машинном обучении!