保存元模型以备将来使用

Posted 2023-05-08

【中文标题】保存元模型以备将来使用

【英文标题】：Save a meta-model for future use

【发布时间】：2017-05-31 09:12:36

【问题描述】：

我正在使用 openMDAO 构建一个联合克里金元模型，我想将其导出然后导入另一个 python 代码。

我在旧论坛 (http://openmdao.org/forum/questions/444/how-can-i-save-the-metamodel-for-later-use?sort=votes) 上发现有人使用 pickle 保存元模型的消息。 我还阅读了有关记录器的信息，但是我在执行的不同测试中都没有成功。

有没有办法保存元模型并在以后的代码中使用它？

---

编辑：我想我找到了一种使用“泡菜”的解决方案。我成功地使用克里金元模型做到了这一点，但我认为我会使用联合克里金法进行同样的工作。

就像在 openMDAO 的“旧”论坛上的帖子一样，我将经过训练的元模型保存在一个文件中，然后在另一个 python 脚本中重用它。我在这里加入了保存经过训练的元模型的代码部分：

cok = MultiFiCoKrigingSurrogate()

prob = Problem(Simulation(cok, nfi=2))
prob.setup(check=False)

prob['mm.train:x1']     = DATA_HF_dim
prob['mm.train:x1_fi2'] = DATA_LF_dim

prob['mm.train:y1']     = rastri_e
prob['mm.train:y1_fi2'] = rastri_c

prob.run()

import pickle
f = open('meta_model_info.p','wb')
pickle.dump(prob,f)
f.close

一旦训练好的元模型保存在文件 meta_model_info.p 中，我就可以在另一个脚本中加载它，跳过学习阶段。第二个脚本的部分代码在这里：

class Simulation(Group):

    def __init__(self, surrogate, nfi):
        super(Simulation, self).__init__()
        self.surrogate = surrogate

        mm = self.add("mm", MultiFiMetaModel(nfi=nfi))
        mm.add_param('x1', val=0.)

        mm.add_output('y1', val=(0.,0.), surrogate=surrogate)

cok = MultiFiCoKrigingSurrogate()

prob = Problem(Simulation(cok, nfi=2))
prob.setup(check=False)

import pickle

f = open('meta_model_info.p','rb')
clf = pickle.load(f)

pred_cok_clf = []
for x in inputs:
    clf['mm.x1'] = x
    clf.run()
    pred_cok_clf.append(clf['mm.y1'])

pred_mu_clf    = np.array([float(p[0]) for p in pred_cok_clf])
pred_sigma_clf = np.array([float(p[1]) for p in pred_cok_clf])

但是我不得不重新定义问题的类别并在第二个脚本中设置问题。

如果您有任何建议，我不知道是否正确使用“pickle”或者是否有其他方法可以做到这一点:)

【参考方案1】：

目前没有任何关于保存和重新加载代理模型的规定。你有两个选择： 1) 保存训练数据，然后在您的其他脚本中导入并重新训练模型。您可以为此直接调用代理模型的fit 和predict 方法，方法是从库中导入它们。

2）如果你想跳过每次重新训练的成本，那么你需要修改代理模型本身以保存拟合过程的结果，然后再将其重新加载到新的实例中：@ 987654321@