【django】模型部署过程

1. 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’)

2. 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

3. 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)

4. 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’)),
]

5. 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}

6. 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})

7. 关键注意事项
8. 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。