Keras模型（Tensorflow Backend）部署到Flask与Django不兼容问题解决方案

本文解决了在Keras模型（TensorFlow后端）部署到Django时遇到的图形不兼容问题。由于Django会清理Keras静态图的内存，导致错误。解决方案是通过手动创建Tensorflow图形上下文，确保模型创建在同一图形环境中，避免ValueError。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题叙述
Keras模型部署在云上，
按照正常方法是把model实例化在类初始化之处，这样可以避免如下错误：
ValueError: Tensor Tensor(“xxx:0”, shape=(), dtype=float32) is not an element of this graph.
正常写法如下：

from keras.models import load_model

class Pikachu():
    def __init__(self, path):
        # load model to memory
        self.model = load_model(path)

    def inference(self, input):
        # run model
        return self.model.predict(x=input)


pikachu = Pikachu('your model path.h5')
pikachu.inference('your image')

这样写的好处是只需要一次把model文件载入到keras并带入后端Tensorflow的静态图中，
直到程序结束前都可以直接访问静态图无需别的操作了。
但是这样会报如下错误：
Tensor(“Placeholder:0”, shape=(x), dtype=int32) must be from the same graph as Tensor(“Variable:0”, shape=(x), dtype=float32).
分析原因，Tensorflow和Django存在冲突，Django会把一开始我们声明的Keras后端静态图的内存清理，
所以后来输入静态图时Keras会临时声明一个空静态图，与之前类初始化时创建好的静态图不同。
解决方法，我们不使用Keras默认声明静态图，而是自己主动声明静态图通道，
这样Keras会把模型图创建在我们声明的静态图中，Django此时不会更改主动声明的静态图内存。
代码如下：

from keras.models import load_model
import tensorflow as tf

class Pikachu():
    def __init__(self, path):
        # init backend graph
        self._GRAPH_ = tf.get_default_graph()
        # load model to memory
        self.model = load_model(path)

    def inference(self, input):
        # run model
        with self._GRAPH_.as_default():
            output = self.model.predict(x=input)
        return output


pikachu = Pikachu('your model path.h5')
pikachu.inference('your image')