摘要

在机器学习工程化过程中，如何保存和部署模型是每一个算法工程师必须面对的课题。本文深入解析了 Python 生态下最常用的三种模型格式：pkl/joblib（Python 对象序列化）、PMML（跨平台模型交换标准）与 ONNX（现代计算图推理标准）。通过追溯它们的发展历史，对比底层运行原理，并结合实战代码示例，本文将帮助读者理清三者的核心区别，并为不同业务场景下的模型选型提供决策建议。

---

一、 发展史：三代需求的演进

理解这三种格式，最好的切入点是看它们诞生于什么样的需求时代：

格式	诞生背景	核心使命
PMML	2000年前后，传统数仓与 BI 时代	实现不同商业软件（SAS/SPSS/Java）间的模型标准交换。
pkl/joblib	2010年后，Python 与 Scikit-learn 爆发期	解决 Python 内部开发效率问题，实现对象的快速存取。
ONNX	2017年后，深度学习与多框架竞争时代	解决跨框架部署与高性能推理，统一模型计算图表示。

---

二、 核心区别：文件里到底装了什么？

1. pkl / joblib：Python 对象的“内存快照”

• 本质：它是 Python 的序列化机制。它不关心模型是什么，它只关心如何把当前的 Python 对象（包含参数、类定义路径等）完整地“冷冻”到磁盘上。

---

• 代码示例：

  Python

  import joblib
  # 保存的是整个 Python 对象实体
  joblib.dump(model, "model.pkl") 
  
  # 加载时环境必须有对应的类定义
  model = joblib.load("model.pkl")
  

• 理论依据：对象图重建（Object Graph Reconstruction）。它强耦合于 Python 运行时和库版本。

2. PMML：模型的“标准说明书”

• 本质：基于 XML 的标记语言。它用文字清晰地描述：输入是什么、经过了什么公式、阈值是多少。

---

• 代码示例（示意）：

  XML

  <TreeModel modelName="IrisPredictor" functionName="classification">
    <Node id="1" score="setosa">
      <SimplePredicate field="petal_length" operator="lessThan" value="2.45"/>
    </Node>
  </TreeModel>
  

• 理论依据：语义描述规范（Semantic Specification）。它将模型抽象为业务规则和数学逻辑，与编程语言解耦。

3. ONNX：模型的“标准化电路图”

• 本质：跨平台的计算图表示。它把模型拆解成一个个标准算子（如 MatMul, Add, Softmax）。

---

• 代码示例：

  Python

  import onnxruntime as ort
  # 加载的是计算图，不需要原始 Python 模型类
  session = ort.InferenceSession("model.onnx")
  # 只要支持 ONNX 算子的引擎都能跑，不论是 C++ 还是 Java
  res = session.run(None, {"input": x})
  

• 理论依据：中间表示（Intermediate Representation, IR）。它将模型转化为数学运算的拓扑图，重点在于推理执行的标准化。

---

三、 综合对比表

维度	pkl / joblib	PMML	ONNX
跨语言能力	差（基本绑定 Python）	强（Java/C++/C# 广泛支持）	极强（支持各种后端运行时）
性能优化	取决于 Python 解释器	中规中矩（依赖解析器）	高（有专门的推理引擎优化）
深度学习支持	差（文件过大且不安全）	弱（难以描述复杂网络）	极好（原生为神经网络设计）
安全性	存在反序列化风险	安全（纯文本/XML）	安全（二进制结构化数据）
主要应用	快速实验、Python 微服务	银行风控、老牌企业软件	线上高并发推理、边缘设备

---

四、 选型建议：我该用哪个？

1. 选 pkl/joblib 的情况

• 你的训练和推理环境全都在 Python 中。

• 你需要保存复杂的 Scikit-learn Pipeline（包含自定义的特征处理逻辑）。

• 项目处于 MVP（最小可行性产品） 阶段，追求最快上线。

2. 选 PMML 的情况

• 你需要将模型交付给 传统的 Java 企业级应用 或银行风控平台。

• 你的模型是决策树、逻辑回归、评分卡等传统机器学习模型。

• 业务对模型的可审计性有要求，需要能直接看懂模型逻辑。

3. 选 ONNX 的情况

• 你需要 高性能推理（如使用 onnxruntime 提速）。

• 你的模型需要部署在 C++、移动端或嵌入式设备。

• 你使用的是 PyTorch/TensorFlow 等深度学习模型。

---

五、 总结

• pkl 是给 Python 自己 留的“备忘录”。

• PMML 是给 不同系统 之间传递的“公文”。

• ONNX 是给 推理引擎 准备的“执行指令”。

在现代机器学习项目（如 trainingdemo）中，建议以 pkl 作为实验阶段的存储格式，而在生产环境部署阶段，逐步转向 ONNX 以获取更好的稳定性和性能。