【django】模型部署过程

模型部署 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

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。 2. 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）。 3. 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。 4. 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。