Django中的机器学习（tensorflow / sklearn）？

Question

我有一个django表单，它正在收集用户响应。我也有张量流句分类模型。将这两者结合在一起的最佳/标准方法是什么？ 详情：

1. 张量流模型在Rotten Tomatoes的电影评论数据上进行了培训。
2. 每次在我的响应模型中创建一个新行时，我都希望张量流代码对其进行分类（+或 - ）。
3. 基本上我有一个django项目目录和两个.py文件用于分类。在继续自己之前，我想知道将机器学习算法实现到Web应用程序的标准方法是什么。

如果您可以推荐教程或回购，那就太棒了。 谢谢！

Answer 1

异步处理

如果您不需要ML代码中的分类结果立即将传递给用户（例如，作为对提交的相同POST请求的响应），然后，您始终可以将分类作业排队到后台运行，甚至是具有更多CPU /内存资源的其他服务器（例如，使用django-background-tasks或Celery）

例如，排队的任务将填充该字段为空（尚未分类）的数据库行上的字段UserResponse.class_name（正，负）

实时通知

如果ML代码很慢且想要将结果返回给用户，则可以使用上述异步方法，并与实时通知配对（例如socket.io到浏览器（this can be triggered from the queued task）

如果ML执行时间太长以至于可能会在下面描述的同步方法中超时HTTP请求，则这是必要的。

同步处理，如果ML代码不是CPU密集型（足够快）

如果你需要立即返回分类结果，并且ML分类足够快* ，你可以在HTTP请求 - 响应周期内完成（在ML代码完成后POST请求返回，同步）

_{*这里足够快意味着它不会超时HTTP请求/响应，用户也不会失去耐心。}

Answer 2

嗯，我必须自己开发相同的解决方案。就我而言，我使用了Theano。如果您使用的是tensorflow或theano，则可以保存已构建的模型。首先，使用训练数据集训练模型，然后使用您选择的库保存模型。您需要在django Web应用程序中仅部署处理预测的代码部分。因此，使用简单的POST，您可以足够快地向用户提供您的句子的预测类。此外，如果您认为需要，您可以定期运行作业，使用新的输入模式再次训练您的模型并再次保存。

Answer 3

我建议不要使用Django，因为它会增加解决方案的执行时间。

相反，您可以使用node来服务与作为独立服务器的TensorFlow rest API进行交互的Reactjs前端。

正如本文上方答案所暗示的，使用WebSockets会更好，您可以使用react WebSocket module，这样一旦组件状态改变，它就会刷新您的组件。

希望这会有所帮助。