3. 模型格式与序列化：ONNX、PMML、PTH、SavedModel 格式对比与选择

在实时风控引擎中，模型训练完成后必须经过序列化与格式转换，才能被 Serving 层加载并执行推理。不同的模型格式在跨平台兼容性、推理性能、元数据保留、部署复杂度等方面差异显著。本章将系统对比四种主流格式——ONNX、PMML、PyTorch PTH、TensorFlow SavedModel，并给出风控场景下的选型建议。

3.1 四种格式核心特征

3.2 格式选择决策流程

以下决策树帮助你在实际项目中快速确定使用哪种格式：

1. 模型类型判断：传统 ML 模型（XGBoost、LightGBM、LR）→ 优先考虑 PMML 或 ONNX；深度学习模型（DNN、LSTM、Transformer）→ 优先考虑 ONNX 或原生格式。
2. 部署环境判断：需要跨语言/跨平台 → ONNX；纯 Java 生态 → PMML；已有 TF/PyTorch Serving 基础设施 → 原生格式。
3. 性能要求判断：延迟要求 < 10ms → ONNX Runtime 或 TensorRT；延迟容忍 < 50ms → PMML 或原生格式均可。
4. 元数据需求判断：需要完整特征工程链路描述 → PMML；仅需输入/输出签名 → ONNX 或 SavedModel。

3.3 格式转换与序列化实操

3.3.1 PyTorch → ONNX 导出

import torch
import torch.onnx

# 加载训练好的模型
model = torch.load('model.pth')
model.eval()

# 构造 dummy 输入（batch_size=1, feature_dim=128）
dummy_input = torch.randn(1, 128)

# 导出 ONNX
torch.onnx.export(
    model,
    dummy_input,
    'model.onnx',
    input_names=['features'],
    output_names=['score'],
    dynamic_axes={
        'features': {0: 'batch_size'},
        'score': {0: 'batch_size'}
    },
    opset_version=17
)
print("ONNX 导出完成")

3.3.2 TensorFlow → SavedModel 导出

import tensorflow as tf

# 加载训练好的模型
model = tf.keras.models.load_model('model.h5')

# 导出 SavedModel
tf.saved_model.save(
    model,
    'saved_model/1/',
    signatures={
        'serving_default': model.signatures['serving_default']
    }
)
print("SavedModel 导出完成")

3.3.3 XGBoost → PMML 导出

import pandas as pd
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
import xgboost as xgb
from sklearn2pmml import sklearn2pmml
from sklearn2pmml.pipeline import PMMLPipeline

# 训练 XGBoost 模型
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = xgb.XGBClassifier(n_estimators=100, max_depth=6)
model.fit(X_train, y_train)

# 构建 PMML Pipeline
pipeline = PMMLPipeline([
    ('classifier', model)
])
pipeline.fit(X_train, y_train)

# 导出 PMML
sklearn2pmml(pipeline, 'xgboost_model.pmml', with_repr=True)
print("PMML 导出完成")

3.4 四种格式在风控场景中的性能对比

我们使用一个包含 128 维特征、3 层全连接网络（每层 256 神经元）的风控评分模型，在相同硬件环境下测试各格式的推理性能：

3.5 格式选择与模型 Serving 架构

上图展示了推荐的模型 Serving 架构：各训练框架导出原生格式后，统一转换为 ONNX 中间格式，再接入不同的推理引擎进行高性能部署。这种架构实现了训练框架与推理引擎的解耦，便于后续模型升级和引擎替换。

3.6 格式选择总结