当我们花了很长时间训练了一个模型，需要用该模型做其他事情（比如迁移学习），或者我们想把自己的机器学习模型分享出去的时候，我们这时候需要将我们的ML模型持久化到硬盘中去。

1.sklearn中模型的保存与读取

sklearn模型的保存有两种方法。 pickle 与 joblib 。

第一种方法，使用pickle方法保存。

import pickle #pickle模块
#保存模型
with open('model.pickle', 'wb') as f:
    pickle.dump(clf, f)
#读取模型
with open('model.pickle', 'rb') as f:
    model = pickle.load(f)
    #模型读取完毕，之后可以使用该模型做预测
第二种方法，使用joblib保存
 
import joblib
#保存模型
joblib.dump(model, 'model.pkl')
#读取模型
model = joblib.load('model.pkl')
#之后便可以使用该模型做预测了
 
joblib使用上比较容易，并且读取速度也相对pickle快，因此对于sklearn的模型保存与读取，我强烈推荐使用第二种办法。
 
2.Pytorch模型的保存与读取
 
pytorch中模型的保存与读取更更为简单，使用自带的API，load与save即可。
 
import torch
#保存模型
torch.save(model, "model.pkl")
#读取模型
model = torch.load("model.pkl")
#之后便可以使用该模型进行预测了
 
太特码简单了 有木有
				
0. 前言
sklearn 模型在 .fit() 后会得到训练后模型，为了节省后续调用此模型的时间，希望能够将模型保存，下次使用时读取即可。
1. sklearn 模型保存
from sklearn.externals import joblib
#import joblib #也可以直接用这个
joblib.dump(模型变量,'文件名.pkl')
2. sklearn 模型读取
from sklearn.externals import joblib
#import joblib #也可以直接用这个
if not os.path.exists("./model/"):
    os.mkdir("./model/")模型下载
from sklearn.externals import joblib
import os
def download_mo
第十七章：生成对抗网络用于合成新数据
在上一章中，我们专注于用于建模序列的循环神经网络。在本章中，我们将探讨生成对抗网络（GANs）及其在合成新数据样本中的应用。GAN 被认为是深度学习中最重要的突破之一，允许计算机生成新数据（如新图像）。
本章将涵盖以下主题：
引入生成模型用于合成新数据
自编码器、变分自编码器及其与生成对抗