我有一个H2O python应用程序，最近我将其转换为kubernetes的容器。作为转换的一部分，我在训练和在容器上运行的python flask API中使用MOJO预测时开始保存MOJO文件。但是，在执行此操作时，我发现性能大幅下降。我搜索了很多东西，但在这个问题上找不到很多东西。我有一部分想知道我是否只是在使用错误的模式进行Mojo预测。我想预测在容器上不运行H2O，以使容器更简单。所以我使用mojo_predict_pandas方法。
但是，当我搜索互联网时，我并没有看到其他人使用此方法。大多数人将Mojo加载到H2O服务器中，然后将其称为预测。这是更正确的方法吗？ mojo_predict_pandas方法不适用于快速性能吗？徒劳地尝试了解性能，我使用java_opts参数将jvm内存从默认值4翻倍到8，但是没有任何效果。下面，我提供了我的Flask API的原始代码段。
gbmModelPredict = h2o.mojo_predict_pandas(predictionParams, gbmModel)
ubModelPredict = h2o.mojo_predict_pandas(predictionParams, ubModel)
lbModelPredict = h2o.mojo_predict_pandas(predictionParams, lbModel)