我有一个带有 kerasRegressor 的 scikit-learn 管道：
estimators = [
('standardize', StandardScaler()),
('mlp', KerasRegressor(build_fn=baseline_model, nb_epoch=5, batch_size=1000, verbose=1))
]
pipeline = Pipeline(estimators)
在训练管道之后，我正在尝试使用 joblib 保存到磁盘...
joblib.dump(pipeline, filename , compress=9)
但我收到一个错误：
RuntimeError：超出最大递归深度
您将如何将管道保存到磁盘？
我在同样的问题上苦苦挣扎，因为没有直接的方法可以做到这一点。这是一个对我有用的hack。我将管道保存到两个文件中。第一个文件存储了 sklearn 管道的腌制对象，第二个文件用于存储 Keras 模型：
...
from keras.models import load_model
from sklearn.externals import joblib
...
pipeline = Pipeline([
('scaler', StandardScaler()),
('estimator', KerasRegressor(build_model))
])
pipeline.fit(X_train, y_train)
# Save the Keras model first:
pipeline.named_steps['estimator'].model.save('keras_model.h5')
# This hack allows us to save the sklearn pipeline:
pipeline.named_steps['estimator'].model = None
# Finally, save the pipeline:
joblib.dump(pipeline, 'sklearn_pipeline.pkl')
del pipeline
以下是如何加载模型：
# Load the pipeline first:
pipeline = joblib.load('sklearn_pipeline.pkl')
# Then, load the Keras model:
pipeline.named_steps['estimator'].model = load_model('keras_model.h5')
y_pred = pipeline.predict(X_test)
Keras 与开箱即用的 pickle 不兼容。如果你愿意修补它，你可以修复它：https ://github.com/tensorflow/tensorflow/pull/39609#issuecomment-683370566 。
您还可以使用 SciKeras 库，它会为您执行此操作，并且可以替代KerasClassifier：https ://github.com/adriangb/scikeras
披露：我是 SciKeras 以及那个 PR 的作者。