GUIDA TECNICA

Formati di serializzazione dei modelli

La serializzazione del modello è il modo in cui un modello di machine learning addestrato viene salvato su disco in modo che possa essere caricato ed eseguito successivamente, su un computer diverso o in una lingua diversa.

Ascolta questa guidaNarrato dall'IA · ~2 min

In questa pagina2 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro dei formati di serializzazione dei modelli
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Il formato che scegli influisce sulla portabilità, la velocità, la dimensione del file e persino la sicurezza.

Immersione profonda

Dopo l'addestramento, un modello è composto semplicemente da numeri (pesi) più una descrizione della sua architettura. La serializzazione scrive quello stato in un file. Ecosistemi diversi utilizzano formati diversi. Il pickle Python può eseguire codice arbitrario durante il caricamento di dati non attendibili. Molti checkpoint PyTorch utilizzano la serializzazione basata su pickle, ma il comportamento di sicurezza di torch.load è sensibile alla versione: PyTorch 2.6 e versioni successive assumono per impostazione predefinita Weights_only=True quando non è specificato alcun modulo pickle. Controlla la documentazione installata ed evita di disabilitare questa protezione per i file non attendibili. ONNX (Open Neural Network Exchange) è un formato indipendente dal framework che consente l'esecuzione di un modello addestrato in PyTorch in un altro runtime o linguaggio. TensorFlow SavedModel è un formato di directory utilizzato per la pubblicazione. Keras 3 salva nel formato nativo .keras per impostazione predefinita; la sua API model.export può produrre un SavedModel per il servizio TensorFlow. Controlla l'API specifica della versione. Per i modelli linguistici di grandi dimensioni, il safetensor è diventato popolare perché memorizza solo i dati del tensore in un layout semplice, veloce, mappabile in memoria senza esecuzione di codice, rendendolo più sicuro e veloce da caricare. GGUF è ampiamente utilizzato per eseguire in modo efficiente LLM quantizzati sull'hardware locale.

Implementazione nel mondo reale

Un team addestra un modello in PyTorch, lo esporta in ONNX e lo esegue all'interno di un'applicazione C# senza dipendenza da Python.

Hugging Face distribuisce i pesi dei modelli come tensori di sicurezza in modo che gli utenti possano scaricarli senza il rischio di esecuzione di codice dannoso.

Uno sviluppatore scarica un file GGUF di un LLM quantizzato per eseguirlo localmente sulla CPU di un laptop.

Un servizio TensorFlow carica una directory SavedModel contenente il grafico e le variabili per fornire previsioni tramite un'API.

Il futuro dei formati di serializzazione dei modelli

Aspettatevi un consolidamento continuo attorno a formati sicuri e portatili. Safetensors sta diventando l'impostazione predefinita per la condivisione pubblica dei pesi del modello perché rimuove il rischio di pickle nell'esecuzione del codice e GGUF è lo standard de facto per l'inferenza LLM locale con quantizzazione. ONNX continua ad espandersi come ponte tra framework di formazione e runtime di distribuzione ottimizzati su dispositivi edge, browser e acceleratori. Nel complesso la tendenza favorisce formati indipendenti dal linguaggio, efficienti in termini di memoria e sicuri fin dalla progettazione.

Metterlo in pratica

Perché è importante

  • Costo e budget. Le decisioni relative all'architettura determinano prestazioni e costi operativi per anni.
  • Decisioni più chiare. La formazione tecnica aiuta i team a scegliere lo stack giusto, non solo quello più nuovo.
  • Controllo di qualità. Migliori scelte ingegneristiche riducono gli incidenti legati all’affidabilità nella produzione.

Attenzione

  • L'ottimizzazione di un benchmark può nascondere debolezze di sistema più ampie.
  • I costi delle infrastrutture e della manutenzione sono spesso sottostimati.
  • Le lacune in termini di sicurezza e osservabilità possono aumentare man mano che i sistemi diventano più complessi.

Prossimi passi

  1. Definire obiettivi di latenza, qualità e costi prima dell'implementazione.
  2. Benchmark in condizioni di carico e dati realistiche.
  3. Monitoraggio dello strumento per errori, deriva e impatto sull'utente.
  4. Preparare percorsi di rollback e risposta agli incidenti prima della scalabilità.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Rispondi al quiz sui formati di serializzazione dei modelli

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è il Model Serialization Formats?

La serializzazione del modello è il modo in cui un modello di machine learning addestrato viene salvato su disco in modo che possa essere caricato ed eseguito successivamente, su un computer diverso o in una lingua diversa. Il formato scelto influisce sulla portabilità, sulla velocità, sulla dimensione del file e persino sulla sicurezza.

Perché il formato pickle di Python è considerato un rischio per la sicurezza dei modelli?

La deserializzazione può eseguire codice arbitrario, quindi il caricamento di un file pickle non attendibile può compromettere il sistema.

Qual è il vantaggio principale del formato ONNX?

ONNX è un formato di interscambio indipendente dal framework, che consente la portabilità tra runtime, linguaggi e hardware.

Perché i safetensor sono diventati popolari per la condivisione dei pesi dei modelli?

Safetensors evita il rischio di pickle nell'esecuzione del codice e si carica rapidamente tramite la mappatura della memoria, rendendolo sicuro ed efficiente.

GGUF è maggiormente associato a quale caso d'uso?

GGUF è il formato de facto per la distribuzione e l'esecuzione di LLM quantizzati a livello locale ed efficiente.

Cosa memorizza principalmente un formato di interscambio come ONNX?

ONNX acquisisce il grafico di calcolo e i parametri del modello in uno schema standard in modo che qualsiasi runtime compatibile possa eseguirlo.