您的位置：首页 > 新闻 > 资讯 > 深度学习 - 模型的保存与部署方式汇总

深度学习 - 模型的保存与部署方式汇总

2025/5/11 3:49:17 来源：https://blog.csdn.net/weixin_47552266/article/details/140226089  浏览:  次   关键词：深度学习 - 模型的保存与部署方式汇总

深度学习模型保存和加载格式科普

在深度学习中，模型的保存和加载是非常重要的环节。不同的格式有不同的特点和适用场景。本文将为新手朋友们介绍几种常见的模型格式，包括它们的简介、保存方式、加载方式、优缺点以及应用场景。

1. PyTorch (.pth, .pt)

简介：PyTorch 的默认保存格式，灵活支持保存整个模型、模型的权重和优化器状态。

保存方式：

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

加载方式：

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

部署代码：

from flask import Flask, request, jsonifyapp = Flask(__name__)@app.route('/predict', methods=['POST'])
def predict():data = request.jsontext = data['text']inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True, max_length=512)with torch.no_grad():outputs = model(**inputs)logits = outputs.logitspredictions = torch.argmax(logits, dim=-1)return jsonify({'prediction': predictions.item()})if __name__ == '__main__':from transformers import BertTokenizer, BertForSequenceClassificationtokenizer = BertTokenizer.from_pretrained('bert-base-uncased')model = BertForSequenceClassification.from_pretrained('bert-base-uncased')model.load_state_dict(torch.load('model.pth'))model.eval()app.run(host='0.0.0.0', port=5000)

优点：

  • 高度灵活：支持复杂的模型和训练过程，因为 PyTorch 允许使用 Python 语言编写任意代码来定义模型。
  • 与 PyTorch 框架紧密集成：保存和加载模型非常方便，因为 .pth 和 .pt 是 PyTorch 的原生格式。

缺点：

  • 只能在 PyTorch 环境中加载和使用：这限制了跨平台和跨框架的兼容性，因为其他框架无法直接读取这种格式。

应用场景：

  • 研究和开发环境。
  • 需要频繁保存和加载模型的场景。

2. TensorFlow/Keras (.h5, SavedModel)

简介：TensorFlow 和 Keras 的保存格式，支持保存模型的权重、架构和优化器状态。

保存方式：

model.save('model.h5')

加载方式：

from tensorflow.keras.models import load_model
model = load_model('model.h5')

部署代码：

from flask import Flask, request, jsonify
import tensorflow as tfapp = Flask(__name__)@app.route('/predict', methods=['POST'])
def predict():data = request.jsontext = data['text']inputs = tokenizer(text, return_tensors='tf', truncation=True, padding=True, max_length=512)outputs = model(inputs)logits = outputs.logitspredictions = tf.argmax(logits, axis=-1)return jsonify({'prediction': int(predictions.numpy()[0])})if __name__ == '__main__':from transformers import BertTokenizer, TFBertForSequenceClassificationtokenizer = BertTokenizer.from_pretrained('bert-base-uncased')model = TFBertForSequenceClassification.from_pretrained('bert-base-uncased')model.load_weights('model.h5')app.run(host='0.0.0.0', port=5000)

优点：

  • 适用于 TensorFlow 和 Keras 环境：模型文件可以直接在这些框架中加载和使用，方便开发和部署。
  • 支持多种部署方式：包括 TensorFlow Serving，这使得在生产环境中的部署更加灵活和高效。

缺点：

  • 模型文件较大：可能影响加载速度，因为 .h5 文件包含了完整的模型架构和权重。

应用场景：

  • 生产环境中的模型部署。
  • 需要与 TensorFlow 生态系统集成的应用。

3. ONNX (Open Neural Network Exchange)

简介：开放格式，旨在实现不同深度学习框架之间的互操作性。

保存方式：

import torch.onnx
torch.onnx.export(model, dummy_input, 'model.onnx')

加载方式：

import onnx
import onnxruntime as ort
onnx_model = onnx.load('model.onnx')
ort_session = ort.InferenceSession('model.onnx')def to_numpy(tensor):return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy()outputs = ort_session.run(None, {ort_session.get_inputs()[0].name: to_numpy(dummy_input)})

部署代码：

from flask import Flask, request, jsonify
import onnxruntime as ort
import numpy as npapp = Flask(__name__)@app.route('/predict', methods=['POST'])
def predict():data = request.jsontext = data['text']inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True, max_length=512)ort_inputs = {ort_session.get_inputs()[0].name: to_numpy(inputs['input_ids'])}ort_outs = ort_session.run(None, ort_inputs)predictions = np.argmax(ort_outs[0], axis=1)return jsonify({'prediction': int(predictions[0])})if __name__ == '__main__':import onnxfrom transformers import BertTokenizertokenizer = BertTokenizer.from_pretrained('bert-base-uncased')ort_session = ort.InferenceSession('model.onnx')app.run(host='0.0.0.0', port=5000)

优点：

  • 跨平台兼容：支持多种深度学习框架，如 PyTorch、TensorFlow、Caffe2 等，使得模型可以在不同平台之间迁移。
  • 统一格式：简化了在不同框架之间转换模型的复杂性。

缺点：

  • 需要额外的工具链：需要使用 ONNX 工具来转换和部署模型，增加了一定的复杂性。

应用场景：

  • 跨平台模型部署。
  • 在不同框架之间转换模型。

4. TensorFlow Lite

简介：专门为移动和嵌入式设备设计的轻量级模型格式。

保存方式：

converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
with open('model.tflite', 'wb') as f:f.write(tflite_model)

加载方式：

import tensorflow as tf
interpreter = tf.lite.Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()

部署代码：
TensorFlow Lite 模型主要用于移动设备和嵌入式设备，下面是一个简化的示例，展示如何在 Python 环境中进行推理：

import tensorflow as tf
import numpy as np# 加载模型
interpreter = tf.lite.Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()# 获取模型输入和输出的详细信息
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()# 准备输入数据
input_data = np.array([...], dtype=np.float32)  # 根据模型输入需求准备数据# 设置模型输入
interpreter.set_tensor(input_details[0]['index'], input_data)# 推理
interpreter.invoke()# 获取输出数据
output_data = interpreter.get_tensor(output_details[0]['index'])
print(output_data)

优点：

  • 轻量级：适合资源受限的设备，因为 TensorFlow Lite 模型被优化为更小、更高效。
  • 快速加载和推理：由于优化了模型结构，推理速度更快。

缺点：

  • 支持的操作有限：不支持所有 TensorFlow 操作，可能需要调整模型架构以适应 TensorFlow Lite 的限制。

应用场景：

  • 移动设备上的应用。
  • 物联网和嵌入式设备。

5. CoreML

简介：苹果公司为 iOS 和 macOS 设备提供的模型格式。

保存方式：

import coremltools as ct
coreml_model = ct.convert(model)
coreml_model.save('model.mlmodel')

加载方式：
在 iOS/macOS 应用中使用 CoreML 框架加载。

部署代码：
CoreML 模型主要用于 iOS 和 macOS 应用开发，下面是一个简化的示例，展示如何在 Swift 中使用 CoreML 模型进行推理：

import CoreML
import Foundation// 加载模型
let model = try! MyCoreMLModel(configuration: MLModelConfiguration())// 准备输入数据
let input = MyCoreMLModelInput(text: "your input text")// 获取模型预测结果
let prediction = try! model.prediction(input: input)
print(prediction.label)

优点：

  • 与苹果生态系统深度集成：在 iOS 和 macOS 设备上运行非常高效，且与其他苹果生态系统的服务无缝集成。
  • 易于部署：CoreML 模型可以直接在 Xcode 中使用，非常适合苹果开发者。

缺点：

  • 仅限于苹果设备：无法在其他平台上运行，这限制了跨平台应用的开发。

应用场景：

  • iOS 应用开发。
  • macOS 应用开发。

6. PaddlePaddle (.pdparams)

简介：百度开发的深度学习框架 PaddlePaddle 的保存格式。

保存方式：

import paddle
paddle.save(model.state_dict(), 'model.pdparams')

加载方式：

model.set_state_dict(paddle.load('model.pdparams'))

部署代码：

from flask import Flask, request, jsonifyapp = Flask(__name__)@app.route('/predict', methods=['POST'])
def predict():data = request.jsontext = data['text']inputs = tokenizer(text, return_tensors='pd', truncation=True, padding=True, max_length=512)with paddle.no_grad():outputs = model(**inputs)logits = outputs.logitspredictions = paddle.argmax(logits, axis=-1)return jsonify({'prediction': predictions.item()})if __name__ == '__main__':from paddlenlp.transformers import BertTokenizer, BertForSequenceClassificationtokenizer = BertTokenizer.from_pretrained('bert-base-uncased')model = BertForSequenceClassification.from_pretrained('bert-base-uncased')model.set_state_dict(paddle.load('model.pdparams'))model.eval()app.run(host='0.0.0.0', port=5000)

优点：

  • 与 PaddlePaddle 框架集成：适用于使用 PaddlePaddle 进行开发和部署的项目，提供了百度生态系统的支持。
  • 优化的中国市场支持：PaddlePaddle 在中国市场有良好的支持和资源。

缺点：

  • 只能在 PaddlePaddle 环境中加载和使用：这限制了在其他深度学习框架中的兼容性。

应用场景：

  • 需要使用百度深度学习工具的项目。
  • 在中国市场的应用。

7. HDF5 (.h5)

简介：一种用于存储大型数据集的文件格式，Keras 默认支持这种格式。

保存方式：

model.save('model.h5')

加载方式：

from tensorflow.keras.models import load_model
model = load_model('model.h5')

部署代码：
与 TensorFlow/Keras 的 .h5 部署代码相同，参考 TensorFlow/Keras 部分的部署代码。

优点：

  • 方便存储和管理大型数据集：HDF5 格式擅长处理大规模数据，并支持压缩和并行 I/O 操作。
  • 与 Keras 深度集成：Keras 默认支持这种格式，保存和加载模型非常方便。

缺点：

  • 模型文件较大：包含了完整的模型架构和权重，导致文件较大，加载速度可能较慢。

应用场景：

  • Keras 环境下的模型存储和加载。
  • 需要保存大型模型的场景。

8. SafeTensors

简介：一种新型的格式，旨在提高模型保存和加载的安全性和速度。

保存方式：

from safetensors.torch import save_file
save_file(model.state_dict(), 'model.safetensors')

加载方式：

from safetensors.torch import load_file
state_dict = load_file('model.safetensors')
model.load_state_dict(state_dict)

部署代码：
与 PyTorch 部署代码类似，可使用 Flask 或其他框架创建 API 服务。

优点：

  • 安全性高：消除潜在执行代码风险，因为 safetensors 格式不允许在加载模型时执行任意代码。
  • 加载速度快：优化了模型的加载速度，特别适用于大型模型。

缺点：

  • 需要额外的库支持：必须安装 safetensors 库才能使用这种格式。

应用场景：

  • 需要高安全性和快速加载的环境。
  • 大型模型的存储和部署。

汇总

下面是各深度学习模型保存和加载格式的汇总表，包括格式、简介、优点、缺点和应用场景：

格式简介优点缺点应用场景
PyTorch (.pth, .pt)PyTorch 的默认保存格式，支持保存整个模型、权重和优化器状态高度灵活，支持复杂的模型和训练过程。与 PyTorch 框架紧密集成。只能在 PyTorch 环境中加载和使用，限制了跨平台和跨框架的兼容性。研究和开发环境，频繁保存和加载模型的场景
TensorFlow/Keras (.h5, SavedModel)TensorFlow 和 Keras 的保存格式，支持保存模型的权重、架构和优化器状态适用于 TensorFlow 和 Keras 环境，支持多种部署方式（如 TensorFlow Serving）。模型文件较大，可能影响加载速度。生产环境中的模型部署，与 TensorFlow 生态系统集成的应用
ONNX开放格式，实现不同深度学习框架之间的互操作性跨平台兼容，支持多种深度学习框架。统一格式，简化了在不同框架之间转换模型的复杂性。需要额外的工具链来转换和部署模型。跨平台模型部署，在不同框架之间转换模型
TensorFlow Lite专为移动和嵌入式设备设计的轻量级模型格式轻量级，适合资源受限的设备。快速加载和推理。支持的操作有限，可能需要调整模型架构以适应 TensorFlow Lite 的限制。移动设备上的应用，物联网和嵌入式设备
CoreML苹果公司为 iOS 和 macOS 设备提供的模型格式与苹果生态系统深度集成，在 iOS 和 macOS 设备上运行非常高效。易于部署，适合苹果开发者。仅限于苹果设备，无法在其他平台上运行。iOS 应用开发，macOS 应用开发
PaddlePaddle (.pdparams)百度开发的深度学习框架 PaddlePaddle 的保存格式与 PaddlePaddle 框架集成，适用于百度生态系统。优化的中国市场支持。只能在 PaddlePaddle 环境中加载和使用，限制了在其他深度学习框架中的兼容性。使用百度深度学习工具的项目，在中国市场的应用
HDF5 (.h5)一种用于存储大型数据集的文件格式，Keras 默认支持这种格式方便存储和管理大型数据集，HDF5 格式擅长处理大规模数据，并支持压缩和并行 I/O 操作。与 Keras 深度集成。模型文件较大，包含了完整的模型架构和权重，加载速度可能较慢。Keras 环境下的模型存储和加载，需要保存大型模型的场景
SafeTensors一种新型格式，提高模型保存和加载的安全性和速度安全性高，消除潜在执行代码风险。加载速度快，特别适用于大型模型。需要额外的库支持，必须安装 safetensors 库才能使用这种格式。需要高安全性和快速加载的环境，大型模型的存储和部署

希望这张表格能够帮助新手朋友们更好地理解不同格式的特点，并根据自己的需求选择合适的格式来保存和部署模型。

版权声明:

本网仅为发布的内容提供存储空间，不对发表、转载的内容提供任何形式的保证。凡本网注明“来源：XXX网络”的作品，均转载自其它媒体，著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处。

我们尊重并感谢每一位作者，均已注明文章来源和作者。如因作品内容、版权或其它问题，请及时与我们联系，联系邮箱：809451989@qq.com，投稿邮箱：809451989@qq.com

最新新闻

热搜词

火情监测识别预警系统 【目标检测】【深度学习】【Pytorch版本】YOLOV2模型算法详解 学习Kotlin语法（四） go对接马来西亚金融数据API实战。 本土化DevOps实践：Gitee为核心的协作工具链与高效落地指南 地级市学校数、教师数和学生数

声明：本站所有新闻及新闻图片来源于其他网站，如有侵权，请及时联系我们！

客户服务 | 关于我们 | 版权声明

版权所有：

Copyright 2024 尧图网 All Rights Reserved.QQ:809451989