内容简介：机器学习模型的训练和预测经常是在不同的时间点进行，在工程实现中，一般训练和预测都是在不同的子工程里面进行，训练子工程训练模型后存储到hive，之后预测子工程项目再将模型重hive中load出来进行预测1.模型存储到hive存储很简单，将要存储的模型调用如下spark的序列化方法def serialize(spark: SparkSession)序列化后再转换拼装成sql，然后执行 spark.sql(insertSQL)即可，如下
机器学习模型的训练和预测经常是在不同的时间点进行，在工程实现中，一般训练和预测都是在不同的子工程里面进行，训练子工程训练模型后存储到hive，之后预测子工程项目再将模型重hive中load出来进行预测
1.模型存储到hive
存储很简单，将要存储的模型调用如下spark的序列化方法def serialize(spark: SparkSession)序列化后再转换拼装成sql，然后执行 spark.sql(insertSQL)即可，如下
case class ModleToHive(modelBizType: String,
data: String)
def save(modelUID: String): Unit = {
val instance = ModleToHive(
modelUID,
modelBizType,
model.serialize(spark)
）
val instDf = Seq(instance).toDF()
instDf.createOrReplaceTempView("model")
var sqlString = s"insert into modelTable select modelUID as modelUID, modelBizType as modelBizType, data as saved_model"
sqlString = sqlString + " from model "
spark.sql(sqlString).collect()
这样模型就存储到hive了
2.从hive仓库load模型并反序列化
val sqlString = s"select saved_model from modelTable where modelUID=modelUID "
val modelHexBinary = spark.sql(sqlString).first()
val ser = new KryoSerializer(sparkConf).newInstance()
val byteBuffer = ByteBuffer.wrap(DatatypeConverter.parseHexBinary(modelHexBinary.getString(0)))
ser.deserialize[T](byteBuffer)
这样模型就又反序列化出来了，可用于预测了
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
The Little Schemer
[美] Daniel P. Friedman、[美] Matthias Felleisen / 卢俊祥 / 电子工业出版社 / 2017-7 / 65.00
《The Little Schemer：递归与函数式的奥妙》是一本久负盛名的经典之作，两位作者Daniel P. Friedman、Matthias Felleisen在程序语言界名声显赫。《The Little Schemer：递归与函数式的奥妙》介绍了Scheme的基本结构及其应用、Scheme的五法十诫、Continuation-Passing-Style、Partial Function、......一起来看看 《The Little Schemer》 这本书的介绍吧!
