Mit Pickle und Joblib serialisieren
Speichern und laden Sie sklearn-Modelle auf sichere Weise.
Mit Pickle und Joblib serialisieren ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Warum ein Modell serialisieren?
Ein trainiertes Modell lebt im Arbeitsspeicher und verschwindet, sobald Ihr Skript endet. Durch Serialisierung wird es in einer Datei gespeichert, sodass Sie es später wieder laden können. 💾
Pickle kennenlernen
Das in Python integrierte Modul pickle wandelt nahezu jedes Objekt in Bytes um, die Sie auf der Festplatte speichern und später genau wie zuvor wiederherstellen können.
Ein Modell auf der Festplatte speichern
Sie öffnen eine Datei im binären Schreibmodus und rufen pickle.dump auf, um das trainierte Modell darin zu speichern.
import pickle
with open('model.pkl', 'wb') as f:
pickle.dump(model, f)Wieder laden
Um das Modell wiederherzustellen, öffnen Sie die Datei im binären Lesemodus und rufen pickle.load auf. Sie erhalten dasselbe Objekt zurück, bereit für Vorhersagen.
with open('model.pkl', 'rb') as f:
model = pickle.load(f)Warum es Joblib gibt
Scikit-learn speichert große NumPy-Arrays in seinen Modellen. joblib speichert diese Arrays wesentlich effizienter als einfaches pickle. 🚀
Mit Joblib speichern
joblib bietet Ihnen eine übersichtliche Einzeile: joblib.dump übernimmt das Objekt und einen Dateinamen, ohne dass Sie selbst ein Datei-Handle verwalten müssen.
import joblib
joblib.dump(model, 'model.joblib')Mit Joblib laden
Das Laden funktioniert analog zum Speichern. Rufen Sie joblib.load mit demselben Dateinamen auf, um Ihren trainierten Estimator zurückzuerhalten.
model = joblib.load('model.joblib')
model.predict(X_test)Die große Warnung zu Pickle
Dekodieren Sie niemals eine Pickle-Datei aus einer nicht vertrauenswürdigen Quelle. Ein bösartiges pickle kann beim Laden beliebigen Code ausführen. ⚠️
Versionen müssen übereinstimmen
Eine Pickle-Datei ist an Bibliotheksversionen gebunden. Das Laden eines Modells mit einer anderen scikit-learn-Version kann fehlschlagen oder unbemerkt falsches Verhalten zeigen.
Gespeicherte Versionen festhalten
Halten Sie neben der Datei immer die exakten Bibliotheksversionen fest. Durch das Fixieren Ihrer requirements wird das gespeicherte Modell auch morgen auf dieselbe Weise geladen.
import sklearn
print(sklearn.__version__)Pickle oder Joblib?
Für scikit-learn-Modelle sollten Sie zu joblib greifen; für kleine Python-Objekte ohne Arrays ist einfaches pickle vollkommen ausreichend.
Schnelltest
Testen Sie nun, was Sie über die Serialisierung von Modellen gelernt haben.
Zusammenfassung
Sie können Modelle jetzt mit pickle und joblib speichern und erneut laden, bevorzugen joblib für sklearn, laden niemals nicht vertrauenswürdige Dateien und fixieren Versionen. 🎉
Lerne Python mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 30
- Lektionen
- 120
Häufig gestellte Fragen
Ist die Lektion „Mit Pickle und Joblib serialisieren“ kostenlos?
Ja — der vollständige Text von „Mit Pickle und Joblib serialisieren“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Mit Pickle und Joblib serialisieren“?
Speichern und laden Sie sklearn-Modelle auf sichere Weise. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Mit Pickle und Joblib serialisieren“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Mit Pickle und Joblib serialisieren
- Das MLflow Model Flavor
- Für Portabilität nach ONNX exportieren
- Eine Modellsignatur und ein Schema definieren