如何加载Azure ML导出的.pkl模型在本地预测，需用到所有导出文件吗？

三个下载文件的作用 #

你从Azure ML下载的三个文件分别对应不同用途，不需要全部使用，但全用可以避免绝大多数兼容问题：

• *.pkl 模型文件：核心必备文件，存储了序列化后的完整模型结构与权重，单独使用它也可以完成预测
• conda.yaml 依赖配置文件：记录了模型训练时的Python版本、各依赖库的精确版本号，用来解决本地环境与训练环境版本不兼容的问题
• 推理脚本（一般命名为score.py）：Azure ML自动生成的标准推理模板，内置了模型加载、数据预处理、预测后处理的完整逻辑，不需要你自行复现训练时的处理流程

方式1：仅使用.pkl文件（适合熟悉训练全流程的用户） #

仅用模型文件的前提是你明确知道训练时的依赖版本、输入数据格式、预处理/后处理逻辑，操作步骤如下：

1. 本地安装和训练环境版本一致的机器学习框架（比如Scikit-learn、PyTorch等）
2. 用对应序列化工具加载模型，示例代码如下：

import pickle
# 替换为你的pkl文件名
with open("model.pkl", "rb") as f:
    model = pickle.load(f)

3. 按照训练时的逻辑处理待预测数据，直接调用模型预测方法即可：

# input_data为按照训练要求预处理后的输入数据
pred_result = model.predict(input_data)

注意：该方式容易出现依赖版本不兼容、预处理逻辑不一致导致预测结果偏差的问题，非熟悉场景不推荐使用

方式2：使用全部三个文件（最稳妥的通用方案） #

这是最推荐的操作方式，不需要你了解模型的训练细节即可拿到正确结果：

1. 先配置运行环境：
   • 本地安装Anaconda/Miniconda环境管理工具
   • 终端进入三个文件所在的文件夹，执行命令创建对应环境：conda env create -f conda.yaml
   • 执行命令激活创建好的环境：conda activate <yaml中第一行name字段对应的环境名>
2. 调用自带的推理逻辑完成预测：
   自动生成的score.py已经内置了init()（初始化加载模型）和run(input_data)（执行预测）两个函数，你可以直接调用，示例代码如下：

from score import init, run

# 加载模型
init()
# 替换为你的待预测数据，格式要求可以参考score.py里的run函数注释
test_data = {"data": [你的待预测样本]}
pred_result = run(test_data)
print(pred_result)

内容的提问来源于stack exchange，提问作者Crazy