如何保存/加载优化的 GPy 回归模型答案

【问题标题】：How to Save/Load Optimized GPy Regression Model如何保存/加载优化的 GPy 回归模型
【发布时间】：2020-10-27 15:33:24
【问题描述】：

我正在尝试保存优化的高斯过程模型以用于不同的脚本。我目前的思路是将模型信息存储在 json 文件中，利用 GPy 的内置 to_dict 和 from_dict 函数。大致如下：

import GPy
import numpy as np
import json

X = np.random.uniform(-3.,3.,(20,1))
Y = np.sin(X) + np.random.randn(20,1)*0.05
kernel = GPy.kern.RBF(input_dim=1, variance=1., lengthscale=1.)

m = GPy.models.GPRegression(X, Y, kernel)

m.optimize(messages=True)
m.optimize_restarts(num_restarts = 10)

jt = json.dumps(m.to_dict(save_data=False), indent=4)
with open("j-test.json", 'w') as file:
    file.write(jt)

这一步没有问题，但是当我尝试使用以下方法加载模型信息时遇到问题：

with open("j-test.json", 'r') as file:
    d = json.load(file)  # d is a dictionary

m2 = GPy.models.GPClassification.from_dict(d, data=None)

这给了我一个断言错误，因为“数据不是无”，它是——或者至少我是这样认为的。

我对 GPy 和使用 jsons 真的很陌生，所以我真的不确定我在哪里误入歧途。我尝试查看文档，但文档有点模糊，我找不到它的使用示例。有没有我错过的步骤/概念？另外，这是存储和重新加载模型的最佳方式吗？对此的任何帮助将不胜感激！谢谢！

【问题讨论】：

标签： python json python-3.x gaussian-process gpy

【解决方案1】：

模块pickle是你的朋友！

import pickle
with open('save.pkl', 'wb') as file:
    pickle.dump(m, file)

您可以在以后的脚本中调用它：

with open('save.pkl', 'rb') as file:
    loaded_model = pickle.load(file)

【讨论】：

我是否需要担心腌制数据的跨平台使用，因为它们是二进制文件？我小组中有些人使用 Mac，有些人使用 Windows。我希望双方都可以使用这些文件，而不必为每个文件本地创建数据，因为最终可能需要几个小时才能完成。
我之前没有在 Mac/windows 上使用过 pickle 文件，但只要你两次都以二进制模式打开它们就应该是交叉兼容的：stackoverflow.com/questions/1849523/…

【解决方案2】：

Pickle 没有被推荐为推荐的方法来做到这一点。请参阅末尾部分中的here。以下是相同的示例。

# let X, Y be data loaded above
# Model creation:
m = GPy.models.GPRegression(X, Y)
m.optimize()
# 1: Saving a model:
np.save('model_save.npy', m.param_array)
# 2: loading a model
# Model creation, without initialization:
m_load = GPy.models.GPRegression(X, Y, initialize=False)
m_load.update_model(False) # do not call the underlying expensive algebra on load
m_load.initialize_parameter() # Initialize the parameters (connect the parameters up)
m_load[:] = np.load('model_save.npy') # Load the parameters
m_load.update_model(True) # Call the algebra only once
print(m_load)

【讨论】：