### 如何在Python中运行机器学习模型或二进制文件 #### 加载和保存机器学习模型 为了实现机器学习模型的持久化，在Python中有多种方法可以用来保存训练好的模型以便后续使用。一种常用的方法是利用`joblib`或`pickle`模块来序列化模型对象。 对于简单的数据结构以及NumPy数组，`joblib`通常更有效率；而对于复杂的自定义对象，则可能更适合采用`pickle`[^1]： ```python from sklearn.externals import joblib import pickle # 使用joblib保存模型到磁盘 joblib.dump(model, 'model.joblib') # 或者使用pickle保存模型 with open('model.pkl', 'wb') as f: pickle.dump(model, f) # 之后可以从磁盘加载该模型继续工作 loaded_model_joblib = joblib.load('model.joblib') with open('model.pkl', 'rb') as f: loaded_model_pickle = pickle.load(f) ``` 然而需要注意的是，虽然`pickle`非常方便，但是它也带来了安全上的隐患——能够执行任意代码，并且不同版本间的兼容性也是一个挑战[^2]。 #### 运行已保存的模型预测新数据 一旦有了之前训练并存储下来的模型实例，就可以很容易地对其进行调用来进行新的预测任务。这里展示了一个基于高斯朴素贝叶斯分类器的例子[^3]: ```python from sklearn.naive_bayes import GaussianNB # 假设已经有一个名为'loaded_model'的对象表示先前训练过的GaussianNB模型 predicted_labels = loaded_model.predict(new_data_points) ``` #### 处理ONNX格式的模型 除了传统的sklearn或其他框架导出的形式外，还可以考虑将模型转换成开放神经网络交换(Open Neural Network Exchange, ONNX)标准格式。这使得不同的平台之间更容易共享AI/ML资产。当涉及到非深度学习类型的经典算法时，可选用特定于这些情况下的操作集合(`ai.onnx.ml`)进行优化和支持[^4]. ```python import onnxruntime as rt import numpy as np sess = rt.InferenceSession("path_to_your_onnx_file.onnx") input_name = sess.get_inputs()[0].name label_name = sess.get_outputs()[0].name data_for_prediction = np.array([[...]], dtype=np.float32) # 输入特征向量 pred_onx = sess.run([label_name], {input_name: data_for_prediction})[0] print(pred_onx) ```