4. 模型序列化与导出：Pickle、Joblib、ONNX 格式对比与选择

在实时推理链路中，模型序列化与导出是连接训练环境与生产环境的桥梁。选择不当的序列化格式会导致加载慢、跨语言困难、推理延迟高等问题。本章深入对比三种主流格式——Pickle、Joblib 与 ONNX，并给出基于场景的选择策略。

4.1 三种格式核心差异

4.2 格式选择决策树

根据部署场景，按以下优先级选择序列化格式：

1. 是否需要在非 Python 环境推理？ → 是 → ONNX
2. 是否追求最低延迟与最高吞吐？ → 是 → ONNX（配合 ONNX Runtime）
3. 是否仅做本地实验或单机服务？ → 是 → Joblib（LightGBM 原生推荐）
4. 是否需要保存完整 Python 对象状态？ → 是 → Pickle

4.3 序列化与导出实操

4.3.1 使用 Joblib 导出 LightGBM 模型

import joblib
import lightgbm as lgb

# 训练模型
model = lgb.LGBMClassifier(n_estimators=100)
model.fit(X_train, y_train)

# 序列化
joblib.dump(model, 'lgb_model.joblib')

# 反序列化
loaded_model = joblib.load('lgb_model.joblib')
predictions = loaded_model.predict(X_test)

4.3.2 使用 Pickle 导出

import pickle

# 序列化
with open('lgb_model.pkl', 'wb') as f:
    pickle.dump(model, f)

# 反序列化
with open('lgb_model.pkl', 'rb') as f:
    loaded_model = pickle.load(f)

4.3.3 使用 ONNX 导出 LightGBM 模型

import lightgbm as lgb
from skl2onnx import convert_lightgbm
from skl2onnx.common.data_types import FloatTensorType

# 定义输入类型（特征数量为 10）
initial_type = [('float_input', FloatTensorType([None, 10]))]

# 转换
onnx_model = convert_lightgbm(model, initial_types=initial_type)

# 保存
with open('lgb_model.onnx', 'wb') as f:
    f.write(onnx_model.SerializeToString())

4.4 三种格式的推理性能对比

4.5 格式选择总结矩阵