Django調用Keras的模型
導入模型
from keras.models import load_model
model = load_model('xx.h5')
使用Django調用Keras模型的接口，首先第一步是導入Keras模型，作爲一個全局變量，注意是全局變量，很多教程教的都是，每調用一次接口都導入一次模型，自己試了就知道，導入模型是一個很耗時的過程，不利於高速計算。
這裏有個大坑，當Django導入或者創建模型後，使用模型進行第一次預測，會出現漫長的初始化，正常來說，我們單線程運行時，會在生成模型的時候進行初始化，這是TensorFlow的一個坑。雖然之後再預測都不會出現長時間的初始化，但是還是要符合現實邏輯，在創建模型的時候進行初始化。
方法一：
import Keras
keras.backend.clear_session()
這個方法是網上的，我沒試過
方法二：
model.predict(data_temp)
直接在創建模型後，立即進行一次數據預測，這個方法我感覺也簡單粗暴。
模型調用
這個纔是Django結合Keras最坑人的地方。
爲了預測方便，往往會把預測封裝成接口，當點擊選擇文件後就會去調用接口進行計算，邏輯上沒有任何問題，但是這裏Keras會報錯。
不同版本的Keras會有不同的報錯，這裏不放具體什麼報錯，都沒有用。像是線程報錯，什麼tensor報錯，一堆問題，其實就只是很簡單的版本問題。
Keras更新後會有各種衝突，只要換回2.2.5版本即可。
pip uninstall keras
pip install keras==2.2.5
換完可能還是報錯，但是不用怕，運行後看TensorFlow的初始化輸出，有很多的警告（Warning），按照警告的提示的方法，把TensorFlow源碼的方法替換成新版本的，替換完就可以放心地多次調用predict。
網上的解決方法是每次調用predict前重新導入模型，其實只要繼續挖掘就能發現是版本更新的問題。
PS：舊版本的Keras的save和load存在區別，如果換回舊版，記得重新保存一次模型。
2020/04/04 更新
方法三：
今天發現了一個新的操作，特地更新一波，只要把模型放在線程裏面就可以了，方法一和二都是把模型放在全局變量區進行調用。
如果是把模型放在線程中，模型只生存在線程中，那麼操作就變成了監聽隊列，當我們有數據進來，就可以把數據插入到隊列中，線程是個while(flag){ if (queue.havesomething){ … } }的結構，當監聽到隊列有數據，就可以獲取數據，然後進行預測，那麼也是實現了從程序運行開始只使用一個模型。
from keras.models import load_model
class MyThread(Thread):
def __init__(self, input_queue, output_queue ):
super().__init__()
self.input_queue = input_queue # 輸入隊列
self.output_queue = output_queue # 輸出隊列
self.model = load_model('xx.h5') # 導入模型
self.flag = True # 用於線程中斷
def run(self):
while flag:
# 判斷隊列是否有數據
if not self.input_queue.empty():
data = self.input_queue.get()
result = self.model.predict(data)
self.output_queue.put(result)
這個方法可以避免重複初始化模型，有個大bug要考慮的就是線程初始化，有可能線程初始化很慢，然後你的電腦CPU又很快，就會出現主線程調用thread.run()時，線程還沒初始化完全，就會炸程序，主線程可以加個sleep來延遲，給線程初始化一點時間。
2020/04/13 更新
很久沒有用TensorFlow，電腦更新了好幾次顯卡驅動，今天運行了一下以前的代碼，發現全部GG，一開始以爲是CUDA和CUDNN變得不兼容，然後測了mxnet，發現還是可以運行，最後查到就是Keras這噁心的配置把GPU內存全部拿了==
報錯：
Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
解決代碼：
在開頭加上Keras配置
import tensorflow as tf
config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.3
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))
2020/05/12 補充
有人問我關於Django調用Keras的目錄結構，首先按照原始的結構就行，Keras算法部分我是封裝成一個keras_class類在model.py的文件裏，然後我在model.py全局變量區域實體了一個model = keras_class()，另外在這個文件中又用一個predict函數封裝了預測的部分，最後再全局變量區調用一次predict函數（原因看方法二）。
以上準備工作完成，接着在view.py中
from model import predict
# 注意model.py的文件位置，如果在某個xxx文件夾裏面要補上‘xxx.model’
一般來說只會把你的模型當做黑匣子，你給它輸入數據，它給你輸出結果，所以view.py中只會用到predict這個封裝好的函數
只要前面各種庫兼容不衝突，你的算法沒問題，理論上這些用這個方法不會出事
PS：各位敲代碼的一定要考慮維護問題，不要即興發揮，能封裝起來就封裝起來，不然將來自己維護會喫虧的（如果你是要給別人維護就當我沒說，不過要保護好自己 ）