Django调用Keras的模型
导入模型
from keras.models import load_model
model = load_model('xx.h5')
使用Django调用Keras模型的接口，首先第一步是导入Keras模型，作为一个全局变量，注意是全局变量，很多教程教的都是，每调用一次接口都导入一次模型，自己试了就知道，导入模型是一个很耗时的过程，不利于高速计算。
这里有个大坑，当Django导入或者创建模型后，使用模型进行第一次预测，会出现漫长的初始化，正常来说，我们单线程运行时，会在生成模型的时候进行初始化，这是TensorFlow的一个坑。虽然之后再预测都不会出现长时间的初始化，但是还是要符合现实逻辑，在创建模型的时候进行初始化。
方法一：
import Keras
keras.backend.clear_session()
这个方法是网上的，我没试过
方法二：
model.predict(data_temp)
直接在创建模型后，立即进行一次数据预测，这个方法我感觉也简单粗暴。
模型调用
这个才是Django结合Keras最坑人的地方。
为了预测方便，往往会把预测封装成接口，当点击选择文件后就会去调用接口进行计算，逻辑上没有任何问题，但是这里Keras会报错。
不同版本的Keras会有不同的报错，这里不放具体什么报错，都没有用。像是线程报错，什么tensor报错，一堆问题，其实就只是很简单的版本问题。
Keras更新后会有各种冲突，只要换回2.2.5版本即可。
pip uninstall keras
pip install keras==2.2.5
换完可能还是报错，但是不用怕，运行后看TensorFlow的初始化输出，有很多的警告（Warning），按照警告的提示的方法，把TensorFlow源码的方法替换成新版本的，替换完就可以放心地多次调用predict。
网上的解决方法是每次调用predict前重新导入模型，其实只要继续挖掘就能发现是版本更新的问题。
PS：旧版本的Keras的save和load存在区别，如果换回旧版，记得重新保存一次模型。
2020/04/04 更新
方法三：
今天发现了一个新的操作，特地更新一波，只要把模型放在线程里面就可以了，方法一和二都是把模型放在全局变量区进行调用。
如果是把模型放在线程中，模型只生存在线程中，那么操作就变成了监听队列，当我们有数据进来，就可以把数据插入到队列中，线程是个while(flag){ if (queue.havesomething){ … } }的结构，当监听到队列有数据，就可以获取数据，然后进行预测，那么也是实现了从程序运行开始只使用一个模型。
from keras.models import load_model
class MyThread(Thread):
def __init__(self, input_queue, output_queue ):
super().__init__()
self.input_queue = input_queue # 输入队列
self.output_queue = output_queue # 输出队列
self.model = load_model('xx.h5') # 导入模型
self.flag = True # 用于线程中断
def run(self):
while flag:
# 判断队列是否有数据
if not self.input_queue.empty():
data = self.input_queue.get()
result = self.model.predict(data)
self.output_queue.put(result)
这个方法可以避免重复初始化模型，有个大bug要考虑的就是线程初始化，有可能线程初始化很慢，然后你的电脑CPU又很快，就会出现主线程调用thread.run()时，线程还没初始化完全，就会炸程序，主线程可以加个sleep来延迟，给线程初始化一点时间。
2020/04/13 更新
很久没有用TensorFlow，电脑更新了好几次显卡驱动，今天运行了一下以前的代码，发现全部GG，一开始以为是CUDA和CUDNN变得不兼容，然后测了mxnet，发现还是可以运行，最后查到就是Keras这恶心的配置把GPU内存全部拿了==
报错：
Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
解决代码：
在开头加上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 补充
有人问我关于Django调用Keras的目录结构，首先按照原始的结构就行，Keras算法部分我是封装成一个keras_class类在model.py的文件里，然后我在model.py全局变量区域实体了一个model = keras_class()，另外在这个文件中又用一个predict函数封装了预测的部分，最后再全局变量区调用一次predict函数（原因看方法二）。
以上准备工作完成，接着在view.py中
from model import predict
# 注意model.py的文件位置，如果在某个xxx文件夹里面要补上‘xxx.model’
一般来说只会把你的模型当做黑匣子，你给它输入数据，它给你输出结果，所以view.py中只会用到predict这个封装好的函数
只要前面各种库兼容不冲突，你的算法没问题，理论上这些用这个方法不会出事
PS：各位敲代码的一定要考虑维护问题，不要即兴发挥，能封装起来就封装起来，不然将来自己维护会吃亏的（如果你是要给别人维护就当我没说，不过要保护好自己 ）