在大多数情况下，您会使用文件存储解决方案，例如Amazon S3或Google Cloud等，它们为大型对象存储和检索提供指定的解决方案。

然后，您最好更新代码以直接从文件存储中检索模型。是否需要在每次运行或仅一次（将模型存储在本地以供将来运行）进行此下载，应根据您的特定需求来决定。

我也多次遇到这个问题，所以我创建了一个开源模型存储 Python 库，旨在解决简化版本控制、存储和从不同云存储提供商下载模型的最佳实践的问题。

modelstore库将 ML 模型的版本控制和保存统一到一个upload()命令中，并且还提供了download()从存储中取回该模型的功能。这是（大致）它的样子 -提供完整的文档：

from modelstore import ModelStore

# To save the model in s3
modelstore = ModelStore.from_aws_s3(os.environ["AWS_BUCKET_NAME"])

model, optim = train() # Replace with your code

# Here's a pytorch example - the library currently supports 9 different ML frameworks
model_store.pytorch.upload(
   "my-model-domain",
   model=model,
   optimizer=optim
)

该upload()命令将创建一个 tar 存档，其中包含您的模型和一些关于它的元数据，并将其上传到存储中的特定路径。

您可以稍后使用以下方法下载最新型号：

model_path = modelstore.download(
   local_path="/path/to/download/to", # Replace with a path
   domain="my-model",
)

注意：有一些可用的选项，例如MLFlow 的工件存储，如果您可以设置和维护跟踪服务器，这将是非常棒的。