如何无需安装TensorFlow即可加载用于Django REST后端的Keras模型？

首先明确：仅靠Keras无法加载你的模型。原因很简单——现在的Keras（包括你代码里用的独立Keras包）本质是一个高层API，它的底层计算依赖TensorFlow作为后端。你训练的模型里用到了LSTM这类层，这些层的实现逻辑完全依赖TensorFlow的核心库，所以加载时必须要有TensorFlow环境，哪怕你只装了Keras，运行时也会自动去调用TensorFlow的底层代码，找不到就会报ModuleNotFoundError。

你试过的pickle、joblib、model.save()本质都是保存了模型的结构和权重，但模型的层定义、运算逻辑还是绑定TensorFlow的，所以换无TensorFlow的环境肯定跑不起来。

如果不想在服务器装完整的重型TensorFlow，给你几个可行的轻量化方案：

方案1：转换成TensorFlow Lite格式 #

TensorFlow Lite是专门为部署优化的轻量级运行时，体积远小于完整TensorFlow，适合后端部署。

转换步骤（在训练环境执行）： #

import tensorflow as tf
from keras.models import load_model

# 加载训练好的h5模型
model = load_model('model.h5')
# 转换为TFLite格式
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
# 保存文件
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

服务器端加载（仅需安装tensorflow-lite）： #

import tflite_runtime.interpreter as tflite
import numpy as np

# 加载模型
interpreter = tflite.Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()

# 获取输入输出张量
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# 推理示例（假设输入是符合模型要求的numpy数组）
input_data = your_input_array.astype(np.float32)
interpreter.set_tensor(input_details[0]['index'], input_data)
interpreter.invoke()
output_data = interpreter.get_tensor(output_details[0]['index'])

方案2：转换成ONNX格式，用ONNX Runtime加载 #

ONNX是跨框架的模型格式，ONNX Runtime是轻量的推理引擎，性能不错且体积小。

转换步骤（训练环境执行）： #

先安装转换工具：

pip install tf2onnx

然后执行转换：

import tensorflow as tf
from keras.models import load_model

model = load_model('model.h5')
# 先导出为TensorFlow SavedModel格式
tf.saved_model.save(model, 'saved_model')
# 转换为ONNX格式
!python -m tf2onnx.convert --saved-model saved_model --output model.onnx

服务器端加载（仅需安装onnxruntime）： #

import onnxruntime as rt
import numpy as np

sess = rt.InferenceSession('model.onnx')
input_name = sess.get_inputs()[0].name
output_name = sess.get_outputs()[0].name

# 推理示例
input_data = your_input_array.astype(np.float32)
predictions = sess.run([output_name], {input_name: input_data})

方案3：安装精简版TensorFlow #

如果不想转格式，也可以在服务器安装TensorFlow CPU版，跳过GPU相关组件，体积会小很多。安装命令：

pip install tensorflow-cpu

这样就能直接用load_model加载你的h5模型，不需要改代码，整体体积比带GPU支持的TensorFlow小不少。

内容的提问来源于stack exchange，提问作者vahidkoohkan