GUIDE Technique
Formats de sérialisation des modèles
La sérialisation de modèles est la façon dont un modèle d'apprentissage automatique formé est enregistré sur le disque afin qu'il puisse être chargé et exécuté ultérieurement, sur une autre machine ou dans une autre langue.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Le format que vous choisissez affecte la portabilité, la vitesse, la taille du fichier et même la sécurité.
Plongée profonde
After training, a model is just numbers (weights) plus a description of its architecture. Serialization writes that state into a file. Different ecosystems use different formats. Python pickle can execute arbitrary code when loading untrusted data. Many PyTorch checkpoints use pickle-based serialization, but torch.load security behavior is version-sensitive: PyTorch 2.6 and later default to weights_only=True when no pickle module is specified. Check the installed documentation and avoid disabling this protection for untrusted files. ONNX (Open Neural Network Exchange) is a framework-neutral format that lets a model trained in PyTorch run in another runtime or language. TensorFlow SavedModel is a directory format used for serving. Keras 3 saves to the native .keras format by default; its model.export API can produce a SavedModel for TensorFlow serving. Check the version-specific API. For large language models, safetensors has become popular because it stores only tensor data in a simple, fast, memory-mappable layout with no code execution, making it both safer and quicker to load. GGUF is widely used for running quantized LLMs efficiently on local hardware.
Mise en œuvre dans le monde réel
Une équipe entraîne un modèle dans PyTorch, l'exporte vers ONNX et l'exécute dans une application C# sans dépendance Python.
Hugging Face distribue les poids des modèles sous forme de tenseurs de sécurité afin que les utilisateurs puissent les télécharger sans risque d'exécution de code malveillant.
Un développeur télécharge un fichier GGUF d'un LLM quantifié pour l'exécuter localement sur le processeur d'un ordinateur portable.
Un service TensorFlow charge un répertoire SavedModel contenant le graphique et les variables pour servir des prédictions via une API.
L'avenir des formats de sérialisation de modèles
Attendez-vous à une consolidation continue autour de formats sûrs et portables. Safetensors devient la norme par défaut pour partager publiquement les poids des modèles, car il supprime le risque d'exécution de code de pickle, et GGUF est la norme de facto pour l'inférence LLM locale avec quantification. ONNX continue de se développer en tant que pont entre les cadres de formation et les temps d'exécution de déploiement optimisés sur les appareils de périphérie, les navigateurs et les accélérateurs. Dans l’ensemble, la tendance privilégie les formats neutres en termes de langage, économes en mémoire et sécurisés de par leur conception.
Le mettre en pratique
Pourquoi c'est important
- Coût et budget. Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
- Décisions plus claires. La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
- Contrôle qualité. De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
Attention à
- L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
- Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
- Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Prochaines étapes
- Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
- Benchmark dans des conditions de charge et de données réalistes.
- Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
- Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Model Serialization Formats quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu'est-ce que les formats de sérialisation des modèles ?
La sérialisation de modèles est la façon dont un modèle d'apprentissage automatique formé est enregistré sur le disque afin qu'il puisse être chargé et exécuté ultérieurement, sur une autre machine ou dans une autre langue. Le format que vous choisissez affecte la portabilité, la vitesse, la taille du fichier et même la sécurité.
Pourquoi le format pickle de Python est-il considéré comme un risque de sécurité pour les modèles ?
Le décapage peut exécuter du code arbitraire, donc le chargement d'un fichier pickle non fiable peut compromettre votre système.
Quel est le principal avantage du format ONNX ?
ONNX est un format d'échange indépendant du framework, permettant la portabilité entre les environnements d'exécution, les langages et le matériel.
Pourquoi les tenseurs de sécurité sont-ils devenus populaires pour partager les poids des modèles ?
Safetensors évite le risque d'exécution de code lié au pickle et se charge rapidement via le mappage mémoire, ce qui le rend sûr et efficace.
À quel cas d'utilisation ?
GGUF est le format de facto pour distribuer et exécuter des LLM quantifiés localement et efficacement.
Que stocke principalement un format d’échange comme ONNX ?
ONNX capture le graphique de calcul et les paramètres du modèle dans un schéma standard afin que tout environnement d'exécution compatible puisse l'exécuter.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet