https://zhuanlan.zhihu.com/p/429842534
    PMML全称预言模型标记模型（Predictive Model Markup Language），以XML 为载体呈现数据挖掘模型。
    PMML的一个优点是可以跨语言跨平台，而不需考虑分析和预测过程中的具体实现细节。但其实对于很多灵活的自定义操作，还是需要考虑具体的实现细节。
    本质上来说，pmml的角色类似于csv，python中的数据以csv的格式存储，然后java可以使用csvreader或c++ 使用csv-parser 来读取csv文件，从而实现不同编程语言之间的数据传输。
    再说的简单点，模型的训练过程中虽然存在很多不确定性，但是目前业界应用的模型的推断的过程中大部分情况下是确定性的，既然是确定性的就可以通过语言来描述，比如说xgb模型，预测某个样本，先判断落在哪个叶子结点上，然后叶子结点权重加权求和再加个activation就可以得到预测结果了，既然可以通过语言描述，自然可以通过代码来描述，使用不同语言的代码来实现这个逻辑就可以了，但是这样明显太麻烦了，所以jpmml以及sklearn2pmml的项目出现了，把这些繁琐的逻辑都封装成现成的函数，实现的过程是类似的，只不过可以通过api来一键完成。
    pmml使得模型的部署省去了很多的麻烦。主要原因在于jpmml以及其下属的sklearn2pmml提供了直接从python的sklearn api 到java代码的快速转换。说白了有人给你写了转换的接口，所以才能这么方便快速，简单来说，其实jpmml做的事情是把sklearn里的大部分api都用java实现了一遍，然后sklearn2pmml 转化的时候直接进行匹配，因此，一些自定义的py操作是没法进行正常转换的因为没有对应的java代码实现。如下

    1. import numpy as np
    2. import matplotlib.pyplot as plt
    3. %matplotlib inline
    4. import pandas as pd
    5. from sklearn import tree
    6. from sklearn2pmml.pipeline import PMMLPipeline
    7. from sklearn2pmml import sklearn2pmml
    9. import os
    10. os.environ["PATH"] += os.pathsep + 'C:/Program Files/Java/jdk1.8.0_171/bin'
    12. X=[[1,2,3,1],[2,4,1,5],[7,8,3,6],[4,8,4,7],[2,5,6,9]]
    13. y=[0,1,0,2,1]
    14. pipeline = PMMLPipeline([("classifier", tree.DecisionTreeClassifier(random_state=9))]);
    15. pipeline.fit(X,y)
    17. sklearn2pmml(pipeline, ".\demo.pmml", with_repr = True)

    如果是sklearn2pmml转化的结果，很多时候包含3部分，注释直接写下面了：

    1. ##################### 文件头部分，不必在意##################
    2. <?xml version="1.0" encoding="UTF-8" standalone="yes"?>
    3. <PMML xmlns="http://www.dmg.org/PMML-4_3" version="4.3">
    4.     <Header>
    5.         <Application name="JPMML-SkLearn" version="1.5.3"/>
    6.         <Timestamp>2018-06-24T05:47:17Z</Timestamp>
    7.     </Header>
    9. ########### MiningBuildTask 根据你在py中定义的pmmlpipline自动生成相应的pipeline描述信息##############
    10.     <MiningBuildTask>
    11.         <Extension>PMMLPipeline(steps=[('classifier', DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
    12.             max_features=None, max_leaf_nodes=None,
    13.             min_impurity_decrease=0.0, min_impurity_split=None,
    14.             min_samples_leaf=1, min_samples_split=2,
    15.             min_weight_fraction_leaf=0.0, presort=False, random_state=9,
    16.             splitter='best'))])</Extension>
    17.     </MiningBuildTask>
    18. ##################  定义你建模过程中使用到的全部的变量以及对应类型等#########################
    20.     <DataDictionary>
    21.         <DataField name="y" optype="categorical" dataType="integer">
    22.             <Value value="0"/>
    23.             <Value value="1"/>
    24.             <Value value="2"/>
    25.         </DataField>
    26.         <DataField name="x3" optype="continuous" dataType="float"/>
    27.         <DataField name="x4" optype="continuous" dataType="float"/>
    28.     </DataDictionary>
    29. ############################# 定义数据预处理和特征工程部分 ###########################
    30.     <TransformationDictionary>
    31.         <DerivedField name="double(x3)" optype="continuous" dataType="double">
    32.             <FieldRef field="x3"/>
    33.         </DerivedField>
    34.         <DerivedField name="double(x4)" optype="continuous" dataType="double">
    35.             <FieldRef field="x4"/>
    36.         </DerivedField>
    37.     </TransformationDictionary>
    39. ######################## 模型逻辑部分，每个模型的描述信息差异很大，但是本质上都是转化为具体的一大堆的类似规则
    40. 一样的字符串了##################################################################
    42.     <TreeModel functionName="classification" missingValueStrategy="nullPrediction" splitCharacteristic="multiSplit">
    43.         <MiningSchema>
    44.             <MiningField name="y" usageType="target"/>
    45.             <MiningField name="x3"/>
    46.             <MiningField name="x4"/>
    47.         </MiningSchema>
    48.         <Output>
    49.             <OutputField name="probability(0)" optype="continuous" dataType="double" feature="probability" value="0"/>
    50.             <OutputField name="probability(1)" optype="continuous" dataType="double" feature="probability" value="1"/>
    51.             <OutputField name="probability(2)" optype="continuous" dataType="double" feature="probability" value="2"/>
    52.         </Output>
    53.         <Node>
    54.             <True/>
    55.             <Node>
    56.                 <SimplePredicate field="double(x3)" operator="lessOrEqual" value="3.5"/>
    57.                 <Node score="1" recordCount="1.0">
    58.                     <SimplePredicate field="double(x3)" operator="lessOrEqual" value="2.0"/>
    59.                     <ScoreDistribution value="0" recordCount="0.0"/>
    60.                     <ScoreDistribution value="1" recordCount="1.0"/>
    61.                     <ScoreDistribution value="2" recordCount="0.0"/>
    62.                 </Node>
    63.                 <Node score="0" recordCount="2.0">
    64.                     <True/>
    65.                     <ScoreDistribution value="0" recordCount="2.0"/>
    66.                     <ScoreDistribution value="1" recordCount="0.0"/>
    67.                     <ScoreDistribution value="2" recordCount="0.0"/>
    68.                 </Node>
    69.             </Node>
    70.             <Node score="2" recordCount="1.0">
    71.                 <SimplePredicate field="double(x4)" operator="lessOrEqual" value="8.0"/>
    72.                 <ScoreDistribution value="0" recordCount="0.0"/>
    73.                 <ScoreDistribution value="1" recordCount="0.0"/>
    74.                 <ScoreDistribution value="2" recordCount="1.0"/>
    75.             </Node>
    76.             <Node score="1" recordCount="1.0">
    77.                 <True/>
    78.                 <ScoreDistribution value="0" recordCount="0.0"/>
    79.                 <ScoreDistribution value="1" recordCount="1.0"/>
    80.                 <ScoreDistribution value="2" recordCount="0.0"/>
    81.             </Node>
    82.         </Node>
    83.     </TreeModel>
    84. </PMML>

    可以看到里面就是决策树的树结构节点的各个参数，以及输入值。我们的输入被定义为x1-x4，输出定义为y；
    这些不是纯粹自动生成的，而是开发预先写好的转换逻辑，就类似于开发人员写了一个字典，定义了py代码到pmml的映射。因此，你要自己用numpy实现了一个model，需要自己去考虑model转pmml的逻辑（那特么还不如自己用java来写model）

    现阶段，传统的机器学习模型和表格数据的应用走jpmml的这一套流程没啥大问题，复杂的逻辑有一个比较好的方式就是python实现一遍，然后按照jpmml的官方提供的实现的java代码的模版把逻辑用java重新写一遍，然后测试二者的输出结果是否相同（java可以使用ijava来实现交互式编程，测试的时候会比较方便）。类似于在sklearn中通过集成其base下的各种父类然自定义sklearn api。

    深度这一套就不要走pmml了，太坑，直接走tf或torch官方提供的案例撸一遍熟悉一下就行了。