Định dạng tuần tự hóa mô hình
Tuần tự hóa mô hình là cách một mô hình học máy đã qua huấn luyện được lưu vào đĩa để có thể tải và chạy sau này, trên một máy khác hoặc bằng một ngôn ngữ khác.
Tổng quan
The format you choose affects portability, speed, file size, and even security.
Lặn sâu
Sau khi đào tạo, một mô hình chỉ là những con số (trọng số) cộng với mô tả về kiến trúc của nó. Tuần tự hóa ghi trạng thái đó vào một tập tin. Các hệ sinh thái khác nhau sử dụng các định dạng khác nhau. Các tệp dưa chua của Python và các tệp .pt mặc định của PyTorch rất tiện lợi nhưng lại ràng buộc bạn với Python và có thể thực thi mã tùy ý khi tải, khiến chúng trở thành rủi ro bảo mật với các tệp không đáng tin cậy. ONNX (Trao đổi mạng thần kinh mở) là một định dạng trung lập với khung cho phép một mô hình được đào tạo về PyTorch chạy trong thời gian chạy hoặc ngôn ngữ khác. SavingModel và HDF5 cũ hơn phục vụ TensorFlow và Keras. Đối với các mô hình ngôn ngữ lớn, safetensor đã trở nên phổ biến vì nó chỉ lưu trữ dữ liệu tensor trong một bố cục đơn giản, nhanh chóng, có thể ánh xạ bộ nhớ mà không cần thực thi mã, giúp tải vừa an toàn hơn vừa nhanh hơn. GGUF được sử dụng rộng rãi để chạy LLM lượng tử hóa một cách hiệu quả trên phần cứng cục bộ.
Hiểu biết kỹ thuật
Sự cân bằng chính là giữa các định dạng gốc và trao đổi khung. Các định dạng gốc (pickle, .pt) ghi lại toàn bộ đối tượng Python nhưng yêu cầu cùng một mã để giải tuần tự hóa và có thể chạy mã ẩn. Các định dạng trao đổi như ONNX xuất biểu đồ tính toán và trọng số thành một lược đồ được tiêu chuẩn hóa (sử dụng bộ đệm giao thức) để mọi thời gian chạy tương thích đều có thể thực thi nó. Bộ an toàn ở mức tối thiểu: một tiêu đề JSON nhỏ mô tả tên, hình dạng và kiểu d của từng tensor, theo sau là các byte thô, cho phép ánh xạ bộ nhớ không sao chép.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của các định dạng tuần tự hóa mô hình
Mong đợi sự hợp nhất liên tục xung quanh các định dạng di động, an toàn. Safetensors đang trở thành tiêu chuẩn mặc định để chia sẻ công khai trọng số mô hình vì nó loại bỏ rủi ro thực thi mã của dưa chua và GGUF là tiêu chuẩn thực tế cho suy luận LLM cục bộ có lượng tử hóa. ONNX tiếp tục mở rộng làm cầu nối giữa các khung đào tạo và thời gian triển khai được tối ưu hóa trên các thiết bị biên, trình duyệt và máy gia tốc. Nhìn chung, xu hướng ưa chuộng các định dạng trung lập về ngôn ngữ, tiết kiệm bộ nhớ và an toàn theo thiết kế.
Triển khai trong thế giới thực
Một nhóm đào tạo một mô hình trong PyTorch, xuất nó sang ONNX và chạy nó bên trong ứng dụng C# mà không phụ thuộc vào Python.
Hugging Face phân phối trọng lượng mô hình dưới dạng bộ kiểm soát an toàn để người dùng có thể tải xuống mà không gặp rủi ro khi thực thi mã độc.
Nhà phát triển tải xuống tệp GGUF của LLM được lượng tử hóa để chạy cục bộ trên CPU máy tính xách tay.
Dịch vụ TensorFlow tải thư mục SavingModel chứa biểu đồ và các biến để cung cấp dự đoán thông qua API.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Model Serialization Formats quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Cắt tỉa mô hình
Câu hỏi thường gặp
What is Model Serialization Formats?
Tuần tự hóa mô hình là cách một mô hình học máy đã qua huấn luyện được lưu vào đĩa để có thể tải và chạy sau này, trên một máy khác hoặc bằng một ngôn ngữ khác. Định dạng bạn chọn ảnh hưởng đến tính di động, tốc độ, kích thước tệp và thậm chí cả bảo mật.
Tại sao định dạng dưa chua của Python được coi là rủi ro bảo mật cho mô hình?
Việc giải nén có thể chạy mã tùy ý, do đó việc tải tệp dưa chua không đáng tin cậy có thể làm tổn hại đến hệ thống của bạn.
Ưu điểm chính của định dạng ONNX là gì?
ONNX là định dạng trao đổi trung lập khung, cho phép tính di động giữa các thời gian chạy, ngôn ngữ và phần cứng.
Tại sao các bộ đo an toàn lại trở nên phổ biến để chia sẻ trọng lượng mô hình?
Safetensors tránh rủi ro thực thi mã và tải nhanh chóng thông qua ánh xạ bộ nhớ, giúp nó an toàn và hiệu quả.
GGUF được liên kết nhiều nhất với trường hợp sử dụng nào?
GGUF là định dạng thực tế để phân phối và chạy LLM lượng tử hóa cục bộ và hiệu quả.
Định dạng trao đổi như ONNX chủ yếu lưu trữ những gì?
ONNX ghi lại biểu đồ và tham số tính toán của mô hình trong một lược đồ tiêu chuẩn để mọi thời gian chạy tương thích đều có thể thực thi nó.