如何保存Python机器学习模型以在C#编写的Unity游戏中调用

1. 使用ONNX格式 #

ONNX是跨框架的神经网络交换标准，几乎所有主流机器学习框架（scikit-learn、TensorFlow、PyTorch等）都支持导出为ONNX格式，Unity也有官方工具（Barracuda或ONNX Runtime）支持加载这类模型。

操作步骤： #

• Python端导出：以scikit-learn为例，借助skl2onnx库转换模型：

  from skl2onnx import convert_sklearn
  from skl2onnx.common.data_types import FloatTensorType
  import onnx
  
  # 假设训练好的模型为clf，输入维度按需调整
  initial_type = [('float_input', FloatTensorType([None, 4]))]
  onnx_model = convert_sklearn(clf, initial_types=initial_type)
  onnx.save_model(onnx_model, "model.onnx")
  

  PyTorch/TensorFlow可直接用框架自带的ONNX导出API完成转换。

• Unity端加载推理：使用Unity Barracuda（轻量适配游戏场景）：

  using UnityEngine;
  using Unity.Barracuda;
  
  public class ModelRunner : MonoBehaviour
  {
      public NNModel onnxModel;
      private IWorker worker;
  
      void Start()
      {
          var model = ModelLoader.Load(onnxModel);
          worker = WorkerFactory.CreateWorker(WorkerFactory.Type.ComputePrecompiled, model);
      }
  
      public float[] Predict(float[] input)
      {
          var tensor = new Tensor(1, input.Length, input);
          worker.Execute(tensor);
          var output = worker.PeekOutput().ToArray();
          tensor.Dispose();
          return output;
      }
  }
  

2. 手动导出模型参数，C#重实现推理逻辑 #

如果模型结构简单（如线性回归、决策树），可直接导出模型核心参数（权重、系数、阈值等）为JSON/CSV等通用格式，再在C#中手动编写对应的推理代码。

操作步骤： #

• Python端导出参数：以线性回归为例：

  import json
  
  model_params = {
      "coefficients": model.coef_.tolist(),
      "intercept": model.intercept_.tolist()
  }
  
  with open("model_params.json", "w") as f:
      json.dump(model_params, f)
  

• Unity端加载并推理：

  using UnityEngine;
  using System.IO;
  using Newtonsoft.Json;
  
  public class LinearRegressionModel
  {
      public float[] coefficients;
      public float intercept;
  
      public static LinearRegressionModel Load(string path)
      {
          string json = File.ReadAllText(path);
          return JsonConvert.DeserializeObject<LinearRegressionModel>(json);
      }
  
      public float Predict(float[] input)
      {
          float result = intercept;
          for (int i = 0; i < coefficients.Length; i++)
          {
              result += coefficients[i] * input[i];
          }
          return result;
      }
  }
  

3. 使用TensorFlow Lite格式 #

针对深度学习模型，TensorFlow Lite（TFLite）轻量化特性适配游戏场景，Unity有官方插件支持加载该格式模型。

操作步骤： #

• Python端导出TFLite模型：

  import tensorflow as tf
  
  # 假设训练好的Keras模型为tf_model
  converter = tf.lite.TFLiteConverter.from_keras_model(tf_model)
  tflite_model = converter.convert()
  
  with open("model.tflite", "wb") as f:
      f.write(tflite_model)
  

• Unity端加载推理：

  using UnityEngine;
  using TensorFlowLite;
  
  public class TFLiteRunner : MonoBehaviour
  {
      public TextAsset tfliteModel;
      private Interpreter interpreter;
      private float[] inputBuffer;
      private float[] outputBuffer;
  
      void Start()
      {
          interpreter = new Interpreter(tfliteModel.bytes);
          interpreter.AllocateTensors();
  
          // 根据模型输入输出维度初始化缓冲
          var inputShape = interpreter.GetInputTensorInfo(0).shape;
          var outputShape = interpreter.GetOutputTensorInfo(0).shape;
          inputBuffer = new float[inputShape[1]];
          outputBuffer = new float[outputShape[1]];
      }
  
      public float[] Predict(float[] input)
      {
          System.Array.Copy(input, inputBuffer, input.Length);
          interpreter.SetInputTensorData(0, inputBuffer);
          interpreter.Invoke();
          interpreter.GetOutputTensorData(0, outputBuffer);
          return outputBuffer.Clone() as float[];
      }
  }
  

内容的提问来源于stack exchange，提问作者RishtarCode47