快速入门Django（结合深度学习DNN实例）

在熟悉了简单操作后，做一点有意思的事情吧

本文实现的功能：
1.使用Keras创建，DNN深度学习网络模型，解决多分类问题，数据集是IRIS数据集。
2.Keras模型保存，及重新加载
2.结合我的上一篇文章的结果，最终实现了，由网页写入data，将data传入已经训练好的模型，predict结果输入数据库，最终将predict显示在网页。

此篇project非常适合入门，能够快速看到结果，但某些细节好比较粗糙，有待完善。欢迎指正与交流。

参考的博客，但调试时有很多bug，自己做了些改动，此处附上原博客链接：
是https://www.jianshu.com/p/1d88a6ed707e

OK

1.Keras创建DNN深度学习网络模型

前期准备

如果想用在你的电脑上使用Keras，需要以下工具：

Python
TensorFlow
Keras

这里，选择TensorFlow作为Keras的后端工具。使用以下Python代码，可以输出Python、TensorFlow以及Keras的版本号：

import sys
import keras as K
import tensorflow as tf

py_ver = sys.version
k_ver = K.__version__
tf_ver = tf.__version__

print("Using Python version " + str(py_ver))
print("Using Keras version " + str(k_ver))
print("Using TensorFlow version " + str(tf_ver))

OK

IRIS数据集

IRIS数据集（鸢尾花数据集），经典的机器学习数据集，适合作为多分类问题的测试数据。
IRIS数据集是用来给鸢尾花做分类的数据集，一共150个样本，每个样本包含了花萼长度（sepal length in cm）、花萼宽度（sepal width in cm）、花瓣长度（petal length in cm）、花瓣宽度（petal width in cm）四个特征，将鸢尾花分为三类，分别为Iris Setosa，Iris Versicolour，Iris Virginica，每一类都有50个样本。

DNN代码

DNN结构：
搭建的DNN由输入层、隐藏层、输出层和softmax函数组成，其中输入层由4个神经元组成，对应IRIS数据集中的4个特征，作为输入向量。
隐藏层有两层，每层分别有5和6个神经元。
之后就是输出层，由3个神经元组成，对应IRIS数据集的目标变量的类别个数。
最后，就是一个softmax函数，用于解决多分类问题而创建。

直接上代码：

# 导入模块
import os
import numpy as np
import keras as K
import tensorflow as tf
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

#from keras.models import load_model
from keras.models import load_model as keras_load_model

# 读取CSV数据集，并拆分为训练集和测试集
# 该函数的传入参数为CSV_FILE_PATH: csv文件路径
def load_data(CSV_FILE_PATH):
    IRIS = pd.read_csv(CSV_FILE_PATH)
    target_var = 'Species'  # 目标变量
    # 数据集的特征
    features = list(IRIS.columns[1:6])
    
    features.remove(target_var)
    # 目标变量的类别
    Class = IRIS[target_var].unique()
    # 目标变量的类别字典
    Class_dict = dict(zip(Class, range(len(Class))))
    # 增加一列target, 将目标变量进行编码
    IRIS['target'] = IRIS[target_var].apply(lambda x: Class_dict[x])
    # 对目标变量进行0-1编码(One-hot Encoding)
    lb = LabelBinarizer()
    lb.fit(list(Class_dict.values()))
    transformed_labels = lb.transform(IRIS['target'])
    y_bin_labels = []  # 对多分类进行0-1编码的变量
    for i in range(transformed_labels.shape[1]):
        y_bin_labels.append('y' + str(i))
        IRIS['y' + str(i)] = transformed_labels[:, i]
    # 将数据集分为训练集和测试集
    train_x, test_x, train_y, test_y = train_test_split(IRIS[features], IRIS[y_bin_labels], \
                                                        train_size=0.7, test_size=0.3, random_state=0)
    return train_x, test_x, train_y, test_y, Class_dict
def predict(input_data):
    
    print("Using loaded model to predict...")
    load_model = keras_load_model("D:/project/iris_keras_dnn/iris_model.h5")
    np.set_printoptions(precision=4)
    
#    unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)
    unknown = np.array([ input_data ], dtype=np.float32)
    predicted = load_model.predict(unknown)
    print("final......Using model to predict species for features: ")
    print(unknown)
    print("\nfinal......Predicted softmax vector is: ")
    print(predicted)
#    species_dict = {v: k for k, v in load_data.Class_dict.items()}
#    print("\nfinal......Predicted species is: ")
#    print(species_dict[np.argmax(predicted)])

def main():

    # 0. 开始
    print("\nIris dataset using Keras/TensorFlow ")
    np.random.seed(4)
    tf.set_random_seed(13)

    # 1. 读取CSV数据集
    print("Loading Iris data into memory")
    CSV_FILE_PATH = 'D:/project/iris_keras_dnn/Iris_data/iris.csv'
    
    train_x, test_x, train_y, test_y, Class_dict = load_data(CSV_FILE_PATH)

    # 2. 定义模型
    init = K.initializers.glorot_uniform(seed=1)
    simple_adam = K.optimizers.Adam()
    model = K.models.Sequential()
    model.add(K.layers.Dense(units=4, input_dim=4, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=6, kernel_initializer=init, activation='relu'))
    model.add(K.layers.Dense(units=3, kernel_initializer=init, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer=simple_adam, metrics=['accuracy'])

    # 3. 训练模型
    b_size = 1
    max_epochs = 10
    print("Starting training ")
    model.fit(train_x, train_y, batch_size=b_size, epochs=max_epochs, shuffle=True, verbose=1)
    print("Training finished \n")

    # 4. 评估模型
    eval = model.evaluate(test_x, test_y, verbose=0)
    print("Evaluation on test data: loss = %0.6f accuracy = %0.2f%% \n" \
          % (eval[0], eval[1] * 100) )

    # 5. 使用模型进行预测
    np.set_printoptions(precision=4)
    unknown = np.array([[6.1, 3.1, 5.1, 1.1]], dtype=np.float32)
    predicted = model.predict(unknown)
    print("main......Using model to predict species for features: ")
    print(unknown)
    print("\nmain......Predicted softmax vector is: ")
    print(predicted)
    species_dict = {v:k for k,v in Class_dict.items()}
    print("\nmain......Predicted species is: ")
    print(species_dict[np.argmax(predicted)])
    
    # save model
    print("main......Saving model to disk \n")
    mp = "D:/project/iris_keras_dnn/iris_model.h5"
    model.save(mp)



main()
print("final......Predicte is: ")
predict([6.1, 3.1, 5.1, 1.1])

OK

Keras模型保存，及重新加载

Keras使用HDF5文件系统来保存模型。模型保存的方法很容易，只需要使用save()方法即可。

# save model
    print("main......Saving model to disk \n")
    mp = "D:/project/iris_keras_dnn/iris_model.h5"
    model.save(mp)

在实际的使用中，我们不需要再用自己的方法来实现模型的预测功能，只需使用Keras给我们提供好的模型导入功能（keras.models.load_model()）即可。

有专门的Python代码即可加载模型，此代码我放在了Django 的 views.py函数中。

###进入model处理
        print("Using loaded model to predict......")
        load_model = keras_load_model("D:/project/iris_keras_dnn/iris_model.h5")
        np.set_printoptions(precision=4)
        #确定NumPy对象的显示方式。      precision：int或None，可选浮点输出的精度位数（默认为8）。可以不选   
        predicted = load_model.predict(unknown)   
        print("\nfinally.......Predicted softmax vector is: ")
        print(predicted)

结合网页

models.py

from __future__ import unicode_literals
from django.db import models

# Create your models here.

class message(models.Model):
    username = models.CharField(max_length=1000)
    password = models.CharField(max_length=1000)  
    predict_result=models.CharField(max_length=1000)

views.py

#from django.shortcuts import render
#
## Create your views here.
#
#
## 添加 index 函数，返回 index.html 页面
#def index(request):
#    return render(request, 'index.html')
from __future__ import unicode_literals
from myapp import models
from django.shortcuts import render
#优化它以使用get_template()而不是硬编码模板和模板路径。Django需要一个可以在一行代码中完成所有这些操作的快捷方式。
from keras.models import load_model as keras_load_model
import numpy as np



 #插入函数
def insert(request):
    if request.method == "POST":
        username = request.POST.get("username", None)
        password = request.POST.get("password", None)
        
        print("Using loaded model to predict......")
        load_model = keras_load_model("D:/project/iris_keras_dnn/iris_model.h5")
        np.set_printoptions(precision=4)
        #确定NumPy对象的显示方式。      precision ： int或None，可选浮点输出的精度位数（默认为8）。可以不选
        unknown = np.array([ username.split(" ") ], dtype=np.float32)
        predicted = load_model.predict(unknown)
        
        print("\nfinally.......Predicted softmax vector is: ")
        print(predicted)
        
        twz = models.message.objects.create(username=username, password=password,predict_result=predicted)
        #objects.create 往数据表中插入内容的方法
        twz.save()
                
    return render(request,'insert.html')


#定义展示函数
def list(request):
    people_list = models.message.objects.all()
   
    return render(request, 'show.html', {"people_list":people_list})

urls.py

from django.contrib import admin
from django.conf.urls import url
from myapp import views # 在这里添加这一行代码，导入 views

#urlpatterns = [
##    path('admin/', admin.site.urls),
##	path('', views.index),# 在这里添加这一行代码，这是我们上一步编写的视图函数的路由，默认是 / 路径
#    url(r'^admin/', admin.site.urls),
#    url(r'^insert/$',views.insert),
#    url(r'^show/$',views.list),
#    
#]
urlpatterns = [
    url(r'^insert/$',views.insert),
    url(r'^show/$',views.list),
    url(r'^admin/', admin.site.urls),
]

insert.html

这个部分没有改变，我们只拿username做测试

show.html

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>输出</title>
</head>
<body>
    <h1>信息输出</h1>
    <table>
    <tr>
        <th>用户名：</th>
        <th>治疗方案：</th>
        <th>DNN的输出：</th>
    </tr>
    {% for line in people_list %}
    <tr>
        <td>{{line.username}}</td>
        <td>{{line.password}}</td>
        <td>{{line.predict_result}}</td>
        
    </tr>
    {% endfor %}
    </table>
</body>
</html>

新建数据库

之前的数据库不可以用了，要换成新的来做

conda控制窗口运行语句，写入

python manage.py makemigrations

python manage.py migrate

OK

启动

conda控制窗口运行语句，启动

>python manage.py runserver

OK

结果

OK

下一步骤，就是要完善我们的代码
学习如何对数据库进行操作