模型部署
- [示例：保存 Scikit-learn 模型](#示例：保存 Scikit-learn 模型)
- myapp/views.py
- 全局加载模型
- tasks.py（Celery任务）
- [views.py 修改为异步调用](#views.py 修改为异步调用)
- views.py
- 准备工作
模型保存格式
确保你的模型已保存为可加载的格式：
● TensorFlow/Keras：.h5 或 SavedModel 格式
● PyTorch：.pt 或 .pth 文件
● Scikit-learn：使用 joblib 或 pickle 保存（推荐 joblib）
示例：保存 Scikit-learn 模型
from sklearn.ensemble import RandomForestClassifier
import joblib
model = RandomForestClassifier()
model.fit(X_train, y_train)
joblib.dump(model, 'my_model.joblib')
-
项目结构规划
建议的 Django 项目结构：
myproject/
├── myapp/
│ ├── models/ # 存放模型文件
│ │ └── my_model.joblib
│ ├── views.py # 处理请求和模型调用
│ ├── urls.py # 定义API路由
│ └── ...
├── myproject/
│ ├── settings.py
│ └── urls.py # 主路由
└── manage.py
-
模型加载与初始化
在 Django 中全局加载模型
在 myapp/apps.py 或 views.py 中初始化模型，避免每次请求重复加载。
myapp/views.py
from django.http import JsonResponse
from django.views.decorators.csrf import csrf_exempt
import joblib
import os
全局加载模型
model_path = os.path.join(os.path.dirname(file ), 'models/my_model.joblib')
model = joblib.load(model_path)
@csrf_exempt # 若需跨域访问可临时禁用CSRF（生产环境需谨慎）
def predict(request):
if request.method == 'POST':
try:
获取输入数据（假设发送JSON）
data = json.loads(request.body)
features = data['features']
# 调用模型预测
prediction = model.predict([features])[0]
return JsonResponse({'prediction': prediction})
except Exception as e:
return JsonResponse({'error': str(e)}, status=400)
return JsonResponse({'error': '仅支持POST请求'}, status=405)
- 配置路由
在 myapp/urls.py 中添加API路由
from django.urls import path
from . import views
urlpatterns = [
path('predict/', views.predict, name='predict'),
]
在项目主路由 myproject/urls.py 中引入
from django.urls import include, path
urlpatterns = [
path('api/', include('myapp.urls')),
]
-
测试API
使用 curl 或 Postman 发送POST请求测试：
curl -X POST http://localhost:8000/api/predict/
-H "Content-Type: application/json"
-d '{"features": [1.2, 3.4, 5.6]}'
预期响应：
{"prediction": 0}
-
高级优化
异步处理（Celery + Redis）
如果模型推理耗时较长，可用 Celery 异步任务避免阻塞请求：
tasks.py（Celery任务）
from celery import shared_task
from myapp.views import model # 复用全局加载的模型
@shared_task
def async_predict(features):
return model.predict([features])[0]
views.py 修改为异步调用
@csrf_exempt
def predict(request):
if request.method == 'POST':
data = json.loads(request.body)
task = async_predict.delay(data['features'])
return JsonResponse({'task_id': task.id}, status=202)
缓存模型输出
使用 Django 缓存减少重复计算：
from django.core.cache import cache
def predict(request):
data = json.loads(request.body)
features = tuple(data['features']) # 转换为可哈希类型
# 检查缓存
if cache.has_key(features):
return JsonResponse({'prediction': cache.get(features)})
# 计算并缓存
prediction = model.predict([features])[0]
cache.set(features, prediction, timeout=3600) # 缓存1小时
return JsonResponse({'prediction': prediction})
- 关键注意事项
- 线程安全：
from threading import Lock
model_lock = Lock()
def predict(request):
with model_lock:
prediction = model.predict(...)
○ 如果模型非线程安全（如某些 TensorFlow 旧版本），需加锁或使用单例模式。
- 性能优化：
○ 使用 gunicorn 或 uvicorn 替代 Django 自带的开发服务器。
○ 启用 GPU 加速（如 TensorFlow/PyTorch 的 GPU 版本）。
- 输入验证：
def validate_features(features):
if len(features) != 3:
raise ValueError("必须提供3个特征")
if not all(isinstance(x, (int, float)) for x in features):
raise ValueError("特征必须为数字")
○ 严格校验前端传入的数据格式和范围，防止恶意输入。
- 依赖管理：
tensorflow2.12.0
scikit-learn1.2.2
joblib==1.2.0
○ 在 requirements.txt 中明确指定模型库版本：
完整示例：图像分类模型集成
假设有一个图像分类模型（如 ResNet），可按以下方式处理文件上传：
views.py
from django.core.files.storage import default_storage
from tensorflow.keras.preprocessing import image
import numpy as np
def predict_image(request):
if request.method == 'POST':
file = request.FILES['image']
file_path = default_storage.save('tmp/' + file.name, file)
# 预处理图像
img = image.load_img(file_path, target_size=(224, 224))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0) / 255.0
# 预测
prediction = model.predict(img_array)
class_idx = np.argmax(prediction)
return JsonResponse({'class': class_idx})
通过以上步骤，你可以将训练好的模型无缝集成到 Django 中，并通过 RESTful API 提供服务。根据实际需求调整代码结构和优化策略。