作者的图像|chatgpt
一个
机器学习在各个领域都具有强大的应用程序，但是在现实世界中有效地部署机器学习模型通常需要使用网络框架。
DjangoPython的高级Web框架，在创建可扩展和安全的Web应用程序方面特别受欢迎。当与图书馆配对时Scikit-Learn，Django使开发人员能够通过API提供机器学习模型推断，还可以构建直观的Web接口，以与这些模型进行交互。
在本教程中，您将学习如何构建一个简单的Django应用程序，该应用程序可从机器学习模型中提供预测。该分步指南将使您完成整个过程，从初始模型培训到推理和测试API。
＃一个 1。项目设置
一个
我们将首先创建基本项目结构并安装所需的依赖关系。
创建一个新的项目目录并进入其中：
mkdir django-ml-app && cd django-ml-app安装所需的Python软件包：
PIP安装Django Scikit-Learn Joblib初始化一个新的Django项目称为Mlapp并创建一个名为的新应用预测指标：
django-admin startproject mlapp。python manage.py startApp预测器为我们的应用HTML文件设置模板目录：
MKDIR -P模板/预测变量运行上述命令后，您的项目文件夹应该看起来像这样：
django-ml-app/.venv/mlapp/____init__.pyAsgi.py设置URLS.PYwsgi.py预测/迁移/____init__.pyApps.py<形式。py< - 我们稍后再添加•services.py < - 我们稍后再添加（模型负载/预测）–py.py < - 我们将更新ours.py < - 我们稍后再添加tests.py < - 我们稍后再添加模板/预测/预测_form.html管理要求Train.py < - 机器学习培训脚本＃一个 2。训练机器学习模型
一个
接下来，我们将创建一个模型，我们的Django应用程序将用于预测。对于本教程，我们将使用经典的Iris数据集，该数据集包含在Scikit-Learn中。
在项目的根目录中，创建一个名称的脚本train.py。该脚本将虹膜数据集加载并将其分为训练和测试集。接下来，它在培训数据上训练一个随机的森林分类器。训练完成后，它可以保存训练有素的模型及其元数据，其中包括特征名称和目标标签。预测器/模型/目录使用约翰利。
从pathlib导入路径导入约伯利布来自sklearn.datasets import load_iris从sklearn.semblection incort intim来自sklearn.model_selection导入train_test_splitmodel_dir =路径（“预测器”） /“模型”model_dir.mkdir（父母= true，stef_ok = true）model_path = model_dir /“ iris_rf.joblib”def main（）：data = load_iris（）x，y = data.data，data.targetx_train，x_test，y_train，y_test = train_test_split（X，Y，test_size = 0.2，Random_State = 42，strate = y）clf = RandomForestClassifier（N_Estimators = 200，Random_State = 42）clf.fit（x_train，y_train）joblib.dump（{“估算器”：CLF，“ target_names”：data.target_names，“ feature_names”：data.feature_names，}，，model_path，）打印（f“保存模型到{model_path.resolve（）}”）如果__name__ ==“ __ -main __”：主要的（）运行训练脚本：
如果一切成功运行，您应该看到一条消息，确认该模型已保存。
一个
＃一个 3。配置Django设置
一个
现在，我们已经准备好了应用程序和培训脚本，我们需要配置Django，以便知道我们的新应用程序以及在哪里找到模板。
打开mlapp/settings.py并进行以下更新：
- 注册
预测指标应用程序installed_apps。这告诉Django将我们的自定义应用程序包括在项目生命周期（模型，视图，表单等）中。 - 添加
模板/目录中的目录模板配置。这样可以确保Django可以加载直接绑定到特定应用的HTML模板，例如我们以后将构建的表单。 - 放
允许的host在开发过程中接受所有宿主。这使得无需主机相关的错误就可以更轻松地在本地运行该项目。
从pathlib导入路径base_dir =路径（__文件__）。resolve（）。父母intasted_apps = [“ django.contrib.admin”，“ django.contrib.auth”，“ django.contrib.contenttypes”，“ django.contrib.sessions”，“ django.contrib.messages”，“ django.contrib.staticfiles”，“预测器”，＃< - 添加这是给出的模板= [{“后端”：“ django.template.backends.django.djangotemplates”，“ dirs”：[base_dir /“模板”]，＃< - 添加“ app_dirs”：是的，“选项”： {“ context_processors”：[“ django.template.context_processors.debug”，“ django.template.context_processors.request”，“ django.contrib.auth.context_processors.auth”，“ django.contrib.messages.context_processors.messages”，]，，}，，}，，这是给出的＃对于开发人员wasse_host = [“*”]＃一个 4。添加URL
一个
在我们的应用程序注册后，下一步是连接URL路由因此用户可以访问我们的页面和API端点。DJANGO通过传入的HTTP请求路由urls.py文件。
我们将配置两组路线：
- 项目级URL（
mlapp/urls.py）包括管理面板等全局路线以及从预测指标应用程序。 - 应用程序级URL（
预测器/urls.py）定义我们的Web表单和API的特定路线。
打开mlapp/urls.py并如下更新：
＃mlapp/urls.py来自django.contrib导入管理来自django.urls导入路径，包括urlpatterns = [路径（“ admin/”，admin.site.urls），路径（“”，include（“ preadiveor.urls”）），＃web＆api路由这是给出的现在创建一个新文件预测器/urls.py并定义特定于应用程序的路线：
＃预测/urls.py来自django.urls导入路径从.Views导入HOME，PRODUCT_VIEW，PRODUCT_APIurlpatterns = [路径（“”，家庭，名称=“ home”），路径（“预测/”，precade_view，name =“ predive”），路径（“ api/precadion/”，prective_api，name =“ prectiv_api”），这是给出的＃一个 5。建立形式
一个
为了让用户通过Web界面与我们的模型进行交互，我们需要一种输入形式，他们可以在其中输入花朵测量值（萼片和花瓣尺寸）。Django通过内置表单模块使这简单简单。
我们将创建一个简单的表单类，以捕获IRIS分类器所需的四个数字输入。
在你的预测指标/应用，创建一个名为的新文件forms.py并添加以下代码：
＃preadionor/forms.py从django导入表格iRisform类（forms.form）：sepal_length = forms.floatfield（min_value = 0，label =“ sepal length（cm）”）sepal_width = forms.floatfield（min_value = 0，label =“ sepal width（cm）”）petal_length = forms.floatfield（min_value = 0，label =“花瓣长度（cm）”）petal_width = forms.floatfield（min_value = 0，label =“花瓣宽度（cm）”）＃一个 6。负载模型并预测
一个
现在，我们已经训练并保存了虹膜分类器，我们需要一种Django应用程序的方法加载模型并将其用于预测。为了使事情井井有条，我们将在专用的内部放置所有与预测相关的逻辑services.py文件中的文件预测指标应用程序。
这样可以确保我们的观点保持清洁，并专注于请求/响应处理，而预测逻辑则依靠可重复使用的服务模块。
在预测器/services.py，添加以下代码：
＃预测/服务从__future__导入注释从pathlib导入路径从输入导入dict中导入约伯利布导入numpy作为NP_model_cache：dict [str，任何] = {}def get_model_bundle（）：”“”负载和缓存经过训练的模型捆绑包：{“估算器”：Random ForestClassifier，“ target_names”：ndarray [str]，“ feature_names”：list [str]，}”“”全局_model_cache如果不在_model_cache中的“捆绑”：model_path =路径（__文件__）。resolve（）。父级 /“型号” /“ iris_rf.joblib”_model_cache [“ bundle”] = joblib.load（model_path）返回_model_cache [“ bundle”]DEF PRODUCT_IRIS（功能）：”“”特征：长度4的列表[float]（sepal_length，sepal_width，petal_length，petal_width）使用class_name和概率返回dict。”“”bundle = get_model_bundle（）clf = bundle [“估算器”]target_names = bundle [“ target_names”]x = np.Array（[[功能]，dtype = float）proba = clf.predict_proba（x）[0]idx = int（np.argmax（proba））返回 {“ class_index”：idx，“ class_name”：str（target_names [idx]），“概率”：{str（name）：名称的float（p），p in zip（target_names，proba）}，}＃一个 7。视图
一个
这视图充当用户输入，模型和最终响应（HTML或JSON）之间的胶水。在此步骤中，我们将建立三个观点：
- 家``预测表格。
- predition_view从Web界面处理表单提交。
- preditive_api为程序化预测提供了JSON API端点。
在预测器/views.py，添加以下代码：
来自django.http导入jsonresponse来自django.shortcuts导入渲染来自django.views.decorators.http导入require_http_methods来自django.views.decorators.csrf导入csrf_exempt＃< - 添加从.forms导入IRISFORM从.Services导入preditive_iris进口JSONDEF HOME（请求）：返回渲染（请求，“预测器/precadion_form.html”，{“ form”：irisform（）}）@require_http_methods（[“ post”]）def preadive_view（请求）：form = iRisform（请求。post）如果不是form.is_valid（）：返回渲染（请求，“预测器/preadive_form.html”，{“ form”：form}）data = form.cleaned_data功能= [数据[“ sepal_length”]，数据[“ sepal_width”]，数据[“ petal_length”]，数据[“ petal_width”]，这是给出的结果= predition_iris（功能）返回渲染（要求，“预测器/preceptir_form.html”，{“ form”：irisform（），“结果”：结果，“提交”：true}，）@csrf_exempt＃< - 添加此行@require_http_methods（[“ post”]）def predict_api（请求）：＃仅接受JSON（可选但建议）如果request.meta.get（“ content_type”，“”）.startswith（“ application/json”）：尝试：有效载荷= json.loads（request.body或“ {}”）除了JSON.JSONDECODEERROR：返回jsonresponse（{“ error”：“无效的json。”}，状态= 400）别的：＃如果要继续支持它，则倒退到形式编码：有效载荷= request.post.dict（）必需= [“ sepal_length”，“ sepal_width”，“ petal_length”，“ petal_width”]如果不在有效载荷中，则缺少= [k for K中的k]如果缺少：返回jsonresponse（{“ error”：f“缺少：{'，'.join（丢失）}”}，status = 400）尝试：功能= [float（有效载荷[k]）的k除了Valueerror：返回jsonresponse（{“ error”：“所有功能都必须是数字。”}，status = 400）返回jsonresponse（precention_iris（功能））＃一个 8。模板
一个
最后，我们将创建HTML模板，该模板是我们IRIS预测变量的用户界面。
此模板将：
- 渲染我们之前定义的Django表单字段。
- 提供一个干净，风格的布局，并提供响应形式输入。
- 显示可用的预测结果。
- 提及喜欢程序化访问的开发人员的API端点。
<！doctype html><html><头><meta charset =“ utf-8” /><Title> Iris预测器</title><meta name =“ viewport” content =“ width =设备宽度，初始尺度= 1” /><样式>Body {font-fonty：inter，system-ui，-apple-system，segoe ui，roboto，arial，sans-serif;保证金：2REM；}.card {max Width：540px;填充：1.25REM；边界：1PX实心＃E5E7EB;边界拉迪乌斯：12px;}。差距：0.75REM；网格 - 板柱：1FR 1FR;}标签{font-size：0.9REM;颜色：＃111827;}输入{宽度：100％;填充：0.5REM；边界：1PX实心＃D1D5DB;边界拉迪乌斯：8px;}按钮{保证金顶：1REM;填充：0.6REM 0.9REM；边界：0;边界拉迪乌斯：8px;背景：＃111827;颜色：白色；光标：指针；}。背景：＃f9fafb;边界：1PX实心＃E5E7EB;边界拉迪乌斯：8px;填充：0.75REM；}.mmuted {颜色：＃6B7280;}</style></head><身体><h1> iris预测</h1><p class =“ muted”>输入虹膜花的测量以获得预测。</p><div class =“ card”><form action =“/precept/” method =“ post”>{％csrf_token％}<div class =“ row”><div><标签=“ id_sepal_length”> Sepal Length（CM）</label>{{form.sepal_length}}</div><div><标签for =“ id_sepal_width”> sepal width（cm）</label>{{form.sepal_width}}</div><div><=“ ind_petal_length”>花瓣长度（cm）</label>{{form.petal_length}}</div><div><标签=“ id_petal_width”>花瓣宽度（cm）</label>{{form.petal_width}}</div></div><button type =“提交”>预测</button></form>{％如果提交并结果％}<div class =“结果”>预测类：{{result.class_name}} <br /><div class =“ muted”>概率：<ul>{名称为p，p in result.probabilities.items％}<li> {{name}}}：{{p | floatformat：3}}} </li>{％endfor％}</ul></div></div>{％endif％}</div><p class =“ muted” style =“保证 - top：1rem;”>API可在<code> post/api/preditive/</code>上找到</p></body></html>＃一个 9。运行应用程序
一个
有了所有内容，现在该运行我们的Django项目并测试Web表单和API端点了。
运行以下命令来设置默认Django数据库（用于管理员，会话等）：
启动Django开发服务器：
python manage.py runserver如果一切都正确设置，您将看到与此类似的输出：
观看使用StatReloader的文件更改执行系统检查...系统检查确定没有问题（0静音）。2025年9月9日 - 02：01：27Django版本5.2.6，使用设置“ Mlapp.settings”在http://127.0.0.1:8000/启动开发服务器使用CTRL-BREAK退出服务器。打开浏览器并访问：http：//127.0.0.1：8000/使用Web表单接口。
一个
您也可以使用卷发将邮政请求发送到API：
curl -x post http：//127.0.0.0.1:8000/api/predict/ \ \-h“ content-type：application/json” \-d' {“ sepal_length”：5.1，“ sepal_width”：3.5，“ petal_length”：1.4，“ petal_width”：0.2}'预期响应：
{“ class_index”：0，“ class_name”：“ setosa”，“概率”：{“ setosa”：1.0，“ versicolor”：0.0，“ Virginica”：0.0}}＃一个 10。测试
一个
在总结之前，最好验证我们的应用程序是否按预期工作。Django提供了一个内置的测试框架与Python的集成在一起UNITSEST模块。
我们将创建一些简单的测试来确保：
- 这主页渲染正确并包括标题。
- 这API端点返回有效的预测响应。
在预测器/tests.py，添加以下代码：
来自django.test Import Testcase从django.urls导入反向班级预测图（testCase）：def test_home_renders（self）：resp = self.client.get（反向（“ home”））self.Assertequal（resp.status_code，200）self.sersertContains（resp，“虹膜预测指标”）def test_api_predict（self）：url = reverse（“ prectiv_api”）有效载荷= {“ sepal_length”：5.0，“ sepal_width”：3.6，“ petal_length”：1.4，“ petal_width”：0.2，}resp = self.client.post（url，有效载荷）self.Assertequal（resp.status_code，200）data = resp.json（）self.assertin（“ class_name”，数据）self.assertin（“概率”，数据）一个
在您的终端中运行以下命令：
您应该看到与此类似的输出：
找到2个测试。为别名“默认”创建测试数据库...系统检查确定没有问题（0静音）。..----------------------------------------------------------------------------------------------------------在0.758中进行了2个测试好的破坏别名“默认”的测试数据库...通过这些测试通过，您可以确信您的Django +机器学习应用程序可以正常运行。
＃一个 概括
一个
您已经成功地使用了Django框架创建了一个完整的机器学习应用程序，将所有组件汇总到功能系统中。
从培训和保存模型开始，将其集成到Django服务中以进行预测。您还为用户输入构建了一个干净的Web表单，并暴露了一个用于程序化访问的JSON API。此外，您实施了自动测试，以确保应用程序可靠地运行。
尽管该项目集中在IRIS数据集上，但可以扩展相同的结构，以适应更复杂的模型，较大的数据集甚至是生产准备就绪的API，这使其成为现实世界中机器学习应用程序的坚实基础。
一个 一个
阿比德·阿里·阿瓦（Abid Ali Awan）
（（@1abidaliawan）是一位经过认证的数据科学家专业人员，他喜欢建立机器学习模型。目前，他专注于内容创建和撰写有关机器学习和数据科学技术的技术博客。Abid拥有技术管理硕士学位和电信工程学士学位。他的愿景是使用图神经网络来构建AI产品，以供精神疾病挣扎的学生。