Serialisera med Pickle och Joblib
Spara och läs in sklearn-modeller på ett säkert sätt.
Serialisera med Pickle och Joblib är en gratis lektion i MLOps Academy på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för MLOps Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i MLOps Academy innehåller totalt 4 lektioner.
Varför serialisera en modell?
En tränad modell finns i minnet och försvinner när skriptet avslutas. Serialisering sparar den i en fil så att du kan ladda den igen senare. 💾
Möt Pickle
Pythons inbyggda modul pickle omvandlar nästan vilket objekt som helst till byte som du kan lagra på disk och bygga upp igen senare, precis som det var.
Skriv en modell till disk
Du öppnar en fil i binärt skrivläge och anropar pickle.dump för att skriva den tränade modellen till den.
import pickle
with open('model.pkl', 'wb') as f:
pickle.dump(model, f)Ladda tillbaka den
För att återställa modellen öppnar du filen i binärt läsläge och anropar pickle.load. Du får tillbaka samma objekt, redo att göra prediktioner.
with open('model.pkl', 'rb') as f:
model = pickle.load(f)Varför joblib finns
Scikit-learn lagrar stora NumPy-arrayer i modeller. joblib lagrar dessa arrayer betydligt effektivare än vanlig pickle. 🚀
Spara med Joblib
joblib ger dig en enkel enradsinstruktion: joblib.dump tar objektet och ett filnamn, så du behöver inte hantera filobjekt manuellt.
import joblib
joblib.dump(model, 'model.joblib')Ladda med Joblib
Inläsningen fungerar på samma sätt som sparandet. Anropa joblib.load med samma filnamn, så får du tillbaka din tränade estimator.
model = joblib.load('model.joblib')
model.predict(X_test)Pickles stora varning
Avserialisera aldrig en fil från en källa du inte litar på. En skadlig pickle kan köra godtycklig kod i samma ögonblick som du laddar den. ⚠️
Versionerna måste matcha
En pickle-fil är bunden till biblioteksversionerna. Att ladda en modell med en annan version av scikit-learn kan orsaka fel eller ge felaktigt beteende utan varning.
Lås det du sparade
Dokumentera alltid de exakta biblioteksversionerna tillsammans med filen. Genom att låsa dina requirements laddas den sparade modellen på samma sätt även i morgon.
import sklearn
print(sklearn.__version__)Pickle eller Joblib?
För scikit-learn-modeller väljer du joblib; för små Python-objekt utan arrayer fungerar vanlig pickle utmärkt.
Snabbkontroll
Nu är det dags att testa vad du har lärt dig om serialisering av modeller.
Sammanfattning
Nu kan du spara och läsa in modeller igen med pickle och joblib, föredra joblib för sklearn, aldrig läsa in otillförlitliga filer och låsa versioner. 🎉
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Serialisera med Pickle och Joblib” gratis?
Ja – hela texten till ”Serialisera med Pickle och Joblib” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i MLOps Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i MLOps Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Serialisera med Pickle och Joblib”?
Spara och läs in sklearn-modeller på ett säkert sätt. Ni övar på MLOps Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig MLOps Academy?
Du behöver inga förkunskaper. Utbildningen i MLOps Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Serialisera med Pickle och Joblib”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här MLOps Academy-lektionen?
Ja. Varje MLOps Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Serialisera med Pickle och Joblib
- MLflow-modellens flavor
- Exportera till ONNX för portabilitet
- Definiera en modellsignatur och ett schema