使用 Pickle 和 Joblib 序列化
以安全的方式保存和加载 sklearn 模型
使用 Pickle 和 Joblib 序列化 是 CoddyKit 上的免费 MLOps Academy 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 MLOps Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 MLOps Academy 课程共包含 4 节课。
为什么要序列化模型
训练好的模型存在于内存中，脚本结束时就会消失。序列化会将它保存到文件中，以便稍后再次加载。💾
认识 Pickle
Python 内置的 pickle 模块可以将几乎任何对象转换为字节，存储到磁盘后再按原样重建。
将模型转储到磁盘
请以二进制写入模式打开文件，然后调用 pickle.dump 将训练好的模型写入其中。
import pickle
with open('model.pkl', 'wb') as f:
pickle.dump(model, f)重新加载模型
要恢复模型，请以二进制读取模式打开文件，然后调用 pickle.load。您会得到同一个对象，可以直接进行预测。
with open('model.pkl', 'rb') as f:
model = pickle.load(f)为什么会有 Joblib
Scikit-learn 会在模型中存储大型 NumPy 数组。与普通 pickle 相比，joblib 存储这些数组的效率高得多。🚀
使用 Joblib 保存
joblib 提供了简洁的一行代码：joblib.dump 接收对象和文件名，无需手动处理文件句柄。
import joblib
joblib.dump(model, 'model.joblib')使用 Joblib 加载
加载过程与保存过程相似。使用相同的文件名调用 joblib.load，即可取回训练好的估计器。
model = joblib.load('model.joblib')
model.predict(X_test)Pickle 的重大警告
永远不要反序列化来自不可信来源的文件。恶意的 pickle 会在您加载它的瞬间运行任意代码。⚠️
版本必须匹配
Pickle 文件与库版本绑定。在不同的 scikit-learn 版本下加载模型，可能会失败或悄悄产生错误行为。
固定保存时的版本
请始终在文件旁记录确切的库版本。固定您的依赖项，意味着保存的模型明天仍会以相同方式加载。
import sklearn
print(sklearn.__version__)Pickle 还是 Joblib
对于 scikit-learn 模型，请优先使用 joblib；对于小型且不含数组的 Python 对象，普通 pickle 完全够用。
快速检查
现在测试一下您对模型序列化知识的掌握情况。
回顾
现在，您可以使用 pickle 和 joblib 保存并重新加载模型；对于 sklearn 优先使用 joblib，绝不加载不可信文件，并固定版本。🎉
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「使用 Pickle 和 Joblib 序列化」课时是免费的吗？
是的 — 「使用 Pickle 和 Joblib 序列化」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 MLOps Academy 课程的其余内容，请升级到 CoddyKit PRO。 MLOps Academy 课程共包含 4 节课。
「使用 Pickle 和 Joblib 序列化」这节课中我会学到什么？
以安全的方式保存和加载 sklearn 模型 你通过在浏览器中直接运行的动手代码来练习 MLOps Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 MLOps Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 MLOps Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。
「使用 Pickle 和 Joblib 序列化」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 MLOps Academy 课中编写并运行代码吗？
能。每节 MLOps Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 使用 Pickle 和 Joblib 序列化
- MLflow 模型风格
- 导出为 ONNX，提升可移植性
- 定义模型签名和模式