Djangoの機械学習（tensorflow / sklearn）？
Djangoのフォームがあり、これはユーザーの応答を収集しています。また、テンソルフローの分類モデルもあります。これら2つを組み合わせる最良/標準の方法は何ですか。詳細：
- テンソルフローモデルは、Rotten TomatoesのMovie Reviewデータでトレーニングされました。
- 応答モデルに新しい行が作成されるたびに、テンソルフローコードで分類します（+または-）。
- 基本的にDjangoプロジェクトディレクトリと分類用の2つの.pyファイルがあります。先に進む前に、機械学習アルゴリズムをWebアプリに実装する標準的な方法を知りたいと思いました。
チュートリアルやレポを提案できたら最高です。ありがとうございました ！
非同期処理
あなたがMLコードからの分類結果を必要としない場合すぐにをユーザーに渡す（たとえば、同じPOST submttedを要求する）への応答として、分類ジョブをバックグラウンドで実行するか、より多くのCPU /メモリリソースを持つ別のサーバー（たとえば、 Django-background-tasks または Celery ）
キューに入れられたタスクは、たとえばフィールドUserResponse.class_name（正、負）そのフィールドが空白（まだ分類されていない）であるデータベース行
リアルタイム通知
MLコードが遅く、結果が利用可能になり次第ユーザーに返されたい場合は、上記の非同期アプローチを使用できます。リアルタイム通知とのペア（例： socket.io ブラウザへ（ これはキューに入れられたタスクからトリガー可能 ）
これは、MLの実行時間が非常に長く、以下で説明する同期アプローチでHTTP要求がタイムアウトする可能性がある場合に必要になります。
MLコードがCPUを集中的に使用しない場合（十分に高速）の同期処理
その分類結果がすぐに返される必要があり、ML分類が十分に速い*である場合、HTTPリクエスト/レスポンスサイクル（= POST MLコードが同期的に行われた後にリクエストが返されます）
*ここで十分に速いということは、HTTP要求/応答がタイムアウトにならず、ユーザーが忍耐を失うことはないということです。
まあ、私は同じソリューションを自分で開発しなければなりませんでした。私の場合、Theanoを使用しました。 tensorflowまたはtheanoを使用している場合、作成したモデルを保存できます。そのため、最初にトレーニングデータセットでモデルをトレーニングしてから、選択したライブラリを使用してモデルを保存します。 Django Webアプリケーションに、予測を処理するコードの部分のみをデプロイする必要があります。したがって、単純なPOSTを使用して、予測された文のクラスを十分迅速にユーザーに提供します。また、必要と思われる場合は、ジョブを定期的に実行して、新しい入力パターンを使用してモデルを再度トレーニングし、もう一度保存することができます。
Django=はソリューションに実行時間を追加するため、使用しないことをお勧めします。
代わりに、ノードを使用して、スタンドアロンサーバーとして機能する TensorFlow rest API と対話するReactjsフロントエンドを提供できます。
この投稿の上の答えが示唆するように、WebSocketsを使用する方が良いでしょう、あなたはreact WebSocket module を使用することができますので、コンポーネントの状態が変わるとコンポーネントを更新します。
お役に立てれば。