我有两个文件，file1.py包含大小为1GB的ML模型，file2.py调用file1中的get_vec()方法并接收返回的向量。每当file1的get_vec()方法被调用时，MLmodel都会被重新加载。这导致从磁盘加载模型需要很长时间（大约10秒）。
我想告诉file1不要每次都重新加载模型，而是利用之前调用时已加载的模型。
示例代码如下
# File1.pyimport spacynlp = spacy.load('model')def get_vec(post): doc = nlp(post) return doc.vectorFile2.pyfrom File1 import get_vecdf['vec'] = df['text'].apply(lambda x: get_vec(x))因此，每次调用都需要10到12秒。这看起来代码量很小，但它是一个大型项目的组成部分，我无法将它们放在同一个文件中。
更新1：
我做了一些研究，发现我可以使用Redis在第一次运行时将模型存储在缓存中，此后我可以直接从缓存中读取模型。我尝试使用Redis进行测试，如下所示
import spacyimport redisnlp = spacy.load('en_core_web_lg')r = redis.Redis(host = 'localhost', port = 6379, db = 0)r.set('nlp', nlp)它抛出了一个错误
DataError: Invalid input of type: 'English'. Convert to a bytes, string, int or float first.看起来，type(nlp)是English()，需要转换成合适的格式。所以我尝试使用pickle来转换它。但同样，pickle在编码和解码时也需要很长时间。有没有办法将它存储在Redis中？
谁能建议我如何使它更快？谢谢。
回答：
以下是如何操作
步骤1）在Python中创建一个函数，并在该函数中加载您的模型
model=Nonedef load_model(): global model model = ResNet50(weights="imagenet")如果你仔细观察，首先我将变量model赋值为None。然后在load_model函数中加载了一个模型。
我还确保变量model是全局的，以便它可以从函数外部访问。这里的直觉是我们将模型对象加载到一个全局变量中。这样我们可以在代码中的任何地方访问这个变量。
现在我们已经准备好了工具（即我们可以在代码中的任何地方访问模型），让我们将模型冻结在计算机的RAM中。这样做的方法是：
if __name__ == "__main__": print(("* Loading Keras model and Flask starting server..." "please wait until server has fully started")) load_model() app.run()现在，在不使用的情况下将模型冻结在RAM中有什么用呢？所以，为了使用它，我在Flask中使用POST请求
@app.route("/predict", methods=["POST"])def predict(): if flask.request.method == "POST": output=model.predict(data) #在这里放置你想对冻结模型做的操作通过这个技巧，你可以将模型冻结在RAM中，使用全局变量访问它，然后在你的代码中使用它。
