是否可以在 Python 中训练 xgboost 模型并将其部署在 C/C++ 中运行？答案

【问题标题】：Is it possible to train an xgboost model in Python and deploy it Run it in C/C++?是否可以在 Python 中训练 xgboost 模型并将其部署在 C/C++ 中运行？
【发布时间】：2018-11-09 22:04:36
【问题描述】：

不同语言 API 之间有多少交叉兼容性？

例如，是否可以用 Python 训练和保存模型并用 C/C++ 或任何其他语言运行它？

我会自己尝试一下，但是我在非 Python 语言方面的技能非常有限。

【问题讨论】：

标签： xgboost

【解决方案1】：

您可以将模型转储到文本文件中，如下所示：

model.get_booster().dump_model('xgb_model.txt')

然后你应该解析文本转储并在 C++ 中重现预测函数。

如果您想节省一些时间并确保使用快速实现，我已经在我称为 FastForest 的小库中实现了这一点：

https://github.com/guitargeek/XGBoost-FastForest

图书馆的使命是：

简单：部署您的 xgboost 模型应该尽可能轻松
快速：由于高效的数组结构数据结构用于存储树，这个库在你的 CPU 和内存上非常容易（它在预测方面比 xgboost 快大约 3 到 5 倍）李>
安全：FastForest 对象是不可变的，因此它们是多线程环境中的绝佳选择
可移植：FastForest 除了 C++ 标准库之外没有其他依赖项

这里是一个小例子，加载你之前转储的模型并假设模型需要 5 个特征：

std::vector<std::string> features{"f0",  "f1",  "f2",  "f3",  "f4"};
FastForest fastForest("xgb_model.txt", features);

std::vector<float> input{0.0, 0.2, 0.4, 0.6, 0.8};
float output = fastForest(input.data());

当您创建 FastForest 时，您必须告诉它您打算按什么顺序传递特征，因为文本文件不存储特征的顺序。

另请注意，FastForest 不会为您进行逻辑转换，因此为了重现 predict_proba()，您需要应用逻辑转换：

float proba = 1./(1. + std::exp(-output));

【讨论】：

【解决方案2】：

treelite 包（research paper、documentation）支持将基于树的模型（包括 XGBoost）编译为优化的 C 代码，从而比使用原生模型库更快地进行推理。

【讨论】：

【解决方案3】：

您可以考虑使用将模型转储到文本文件中

model.get_booster().dump_model('xgb_model.txt', with_stats=True)

然后，经过一些解析，您可以轻松地在 C/C++ 中重现 .predict() 函数。对于其余部分，我不知道将 xgboost 本地移植到 C

【讨论】：