如何保存在sklearn/imblearn pipeline中经KerasClassifier封装的Keras模型

云上老周

2026-9-30

封装进Sklearn/Imblearn Pipeline的Keras模型保存方案说明

你提到的几种方法都是可以使用的，但是不同方法的适用场景和操作限制有区别：

pickle/joblib
这是保存完整pipeline最简便的方案，可以直接序列化包含KerasClassifier/KerasRegressor的整个pipeline对象，不需要拆分预处理步骤和Keras模型。
注意事项：该方法会同时序列化Keras模型的结构、权重以及pipeline所有步骤的参数，但是版本兼容性极差，加载环境的TensorFlow、Sklearn、Imblearn版本必须和保存时完全一致，否则大概率会出现加载报错，因此只适合临时保存同环境下复用的模型，不适合长期存档或跨环境共享。
tf.keras.models.save_model / model.to_json()
这两类是Keras原生的模型保存方法，不能直接作用于整个pipeline，需要拆分pipeline分别保存，操作步骤如下：
1. 从训练完成的pipeline中提取Keras原生模型对象：
```
# 替换为你pipeline里KerasClassifier对应的步骤名称
keras_model = pipeline.named_steps['keras_clf'].model
```
2. 用Keras原生方法保存模型：
```
# 同时保存结构和权重
tf.keras.models.save_model(keras_model, "trained_keras_model.h5")
# 如果用to_json方法需要额外单独保存权重
# model_json = keras_model.to_json()
# with open("model_structure.json", "w") as f:
#     f.write(model_json)
# keras_model.save_weights("model_weights.h5")
```
3. 清空Keras封装器的模型属性后，单独保存pipeline剩余部分：
```
pipeline.named_steps['keras_clf'].model = None
joblib.dump(pipeline, "pipeline_without_keras.pkl")
```
加载时反向操作即可：先加载空pipeline，再加载Keras模型赋值回对应步骤的model属性。
注意事项：该方案保存的Keras模型兼容性更强，跨版本加载成功率远高于pickle/joblib直接序列化，更适合需要长期存档的模型。