モデル保存の技術的課題と選定基準

時系列モデルのトレーニング完了後、以下のような問題に直面したことはありませんか？保存されたモデルファイルが巨大すぎてストレージコストが増加、特定のフレームワークに依存しすぎてデプロイが困難、異なるプラットフォーム間での互換性が欠如しているなど、モデル保存形式の選択は、開発効率から生産環境における安定性・パフォーマンスまでに影響を与えます。本記事では、5つの主要なモデル保存形式を比較し、時系列モデルライブラリ（TSLib）の実装に基づくベストプラクティスを紹介します。

主な保存形式とその特性

形式	保存内容	ファイルサイズ	ロード速度	フレームワーク互換性	主な用途
.pth（state_dict）	パラメータのみ	中程度	高速	PyTorch専用	再トレーニング、微調整
.pth（全体モデル）	アーキテクチャ＋パラメータ	やや大きい	中程度	PyTorch専用	プロトタイプ開発
.pt（TorchScript）	静的グラフ＋パラメータ	中程度	非常に高速	C++、PyTorch	組み込み、モバイル
.onnx	標準化されたモデル構造	中程度	中程度	多フレームワーク対応	クロスプラットフォーム
.h5（HDF5）	メタデータ含む	やや大きい	遅め	Keras/TensorFlow	データ交換

各形式の実装例と比較

state_dict形式（推奨）

モデルのパラメータのみを保存する形式。TSLibでは以下のようなコードで実装されています：

class EarlyStopping:
    def save_checkpoint(self, val_loss, model, path):
        torch.save(model.state_dict(), path + '/' + 'checkpoint.pth')
        self.val_loss_min = val_loss
  

保存とロードの例：

# 保存
torch.save(model.state_dict(), 'timesnet_checkpoint.pth')

# ロード
model = TimesNet(args)
model.load_state_dict(torch.load('timesnet_checkpoint.pth'))
model.eval()
  

ONNX形式でのエクスポート

他フレームワークへの移行を容易にするための形式：

dummy_input = (
    torch.randn(1, 96, 7).to(device),
    torch.randn(1, 96, 4).to(device),
    torch.randn(1, 192, 7).to(device),
    torch.randn(1, 192, 4).to(device)
)
torch.onnx.export(
    model,
    dummy_input,
    "timesnet.onnx",
    input_names=["batch_x", "batch_x_mark", "dec_inp", "batch_y_mark"],
    output_names=["output"],
    dynamic_axes={
        "batch_x": {0: "batch_size"},
        "output": {0: "batch_size"}
    }
)
  

TorchScript形式

C++や組み込み環境での高速推論に適した形式：

scripted_model = torch.jit.script(model)
torch.jit.save(scripted_model, "timesnet_scripted.pt")

# 推論
loaded_model = torch.jit.load("timesnet_scripted.pt")
output = loaded_model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
  

拡張保存戦略の提案

単なるパラメータ保存に加え、設定情報や前処理統計情報を含む「モデルパッケージ」形式が推奨されます：

def save_model_complete(model, args, stats, performance, path):
    os.makedirs(path, exist_ok=True)
    torch.save(model.state_dict(), os.path.join(path, "model.pth"))
    with open(os.path.join(path, "config.json"), "w") as f:
        json.dump(vars(args), f, indent=4)
    with open(os.path.join(path, "data_stats.pkl"), "wb") as f:
        pickle.dump(stats, f)
    with open(os.path.join(path, "performance.txt"), "w") as f:
        f.write(f"MAE: {performance['mae']:.4f}\n")
        f.write(f"MSE: {performance['mse']:.4f}\n")
        f.write(f"Training Time: {performance['train_time']:.2f}s\n")
  

今後の改善と代替手法

• モデル量子化：サイズ削減と速度向上を実現
• 分散保存：マルチGPU環境向けの保存戦略
• 増分保存：定期的なチェックポイント管理