Skip to content

export.md

Latest commit

 

History

History
154 lines (114 loc) · 3.57 KB

export.md

File metadata and controls

154 lines (114 loc) · 3.57 KB
Raw

Tutorial Export & Save Model (ML & Deep Learning)

Dokumen ini berisi panduan cara menyimpan (export) dan memuat kembali (load) model Machine Learning dan Deep Learning menggunakan berbagai framework populer.

1. Scikit-Learn

Untuk model tradisional seperti Linear Regression, Random Forest, SVM, dll.

Menggunakan joblib (Direkomendasikan)

joblib lebih efisien untuk objek yang membawa array numpy besar.

Install:

pip install joblib

Save:

import joblib

# Anggap 'model' adalah model sklearn yang sudah dilatih
joblib.dump(model, 'model_filename.pkl')

Load:

import joblib

model = joblib.load('model_filename.pkl')
result = model.predict(X_test)

Menggunakan pickle (Standard Python)

Save:

import pickle

with open('model.pkl', 'wb') as f:
    pickle.dump(model, f)

Load:

import pickle

with open('model.pkl', 'rb') as f:
    model = pickle.load(f)

2. TensorFlow / Keras

Untuk model Deep Learning berbasis TensorFlow.

Format .keras (Format Standar Baru - TF 2.x)

Ini adalah format modern yang direkomendasikan.

Save:

model.save('my_model.keras')

Load:

from tensorflow.keras.models import load_model

model = load_model('my_model.keras')

Format .h5 (Legacy)

Format HDF5 yang lama.

Save:

model.save('my_model.h5')

Format SavedModel (Untuk TensorFlow Serving)

Menyimpan model sebagai direktori berisi protobuf dan variabel. Cocok untuk deployment production.

Save:

model.export('path/to/saved_model')
# Atau
tf.saved_model.save(model, 'path/to/saved_model')

3. PyTorch

Untuk model Deep Learning berbasis PyTorch.

Menyimpan state_dict (Direkomendasikan)

Hanya menyimpan parameter (bobot) model. Lebih fleksibel dan aman.

Save:

import torch

torch.save(model.state_dict(), 'model_weights.pth')

Load: Anda harus mendefinisikan arsitektur model terlebih dahulu.

model = MyModelClass(*args, **kwargs)
model.load_state_dict(torch.load('model_weights.pth'))
model.eval() # Jangan lupa set ke mode evaluasi untuk inferensi

Menyimpan Seluruh Model

Menyimpan struktur kelas dan bobot. Bisa bermasalah jika struktur direktori kode berubah.

Save:

torch.save(model, 'entire_model.pth')

Load:

model = torch.load('entire_model.pth')
model.eval()

4. Format Interoperabilitas (ONNX)

Open Neural Network Exchange (ONNX) memungkinkan model dijalankan di berbagai framework dan hardware (misal: convert PyTorch ke ONNX untuk dijalankan di C++ atau Web).

Scikit-learn ke ONNX

Butuh library skl2onnx.

from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

initial_type = [('float_input', FloatTensorType([None, 4]))]
onx = convert_sklearn(model, initial_types=initial_type)
with open("model.onnx", "wb") as f:
    f.write(onx.SerializeToString())

PyTorch ke ONNX

dummy_input = torch.randn(1, 3, 224, 224) # Sesuaikan dengan input shape
torch.onnx.export(model, dummy_input, "model.onnx")

5. Tips Tambahan

  1. Versioning: Selalu beri versi pada nama file model atau folder (contoh: model_v1.0.pkl atau models/2023-10-27/).
  2. Metadata: Simpan metadata pelatihan (akurasi, parameter, tanggal training) dalam file JSON terpisah atau dictionary bersama model (jika menggunakan pickle/joblib).
  3. Environment: Catat versi library (requirements.txt) saat training. Model yang dilatih di scikit-learn versi lama mungkin error jika di-load di versi baru.