Django调用pickle保存的自定义神经网络报AttributeError问题

云原生阿岚

2026-8-29

问题原因

两个核心问题导致报错：

模型序列化对象错误：代码中pickle.dump(model, file)存入的是自定义的前向传播函数model，并非训练完成得到的权重W和偏置b，生成的pkl文件完全不包含训练好的模型参数，根本无法用于预测。
pickle序列化机制限制：pickle不会存储自定义函数/类的实际代码，仅记录对象所属的模块路径。你训练脚本里的artificial_neuron、predict等函数都定义在训练脚本的__main__作用域下，Django项目的运行入口是manage.py，其__main__模块中不存在这些自定义函数定义，加载pkl时自然找不到对应属性抛出异常。

修复方案

按以下步骤调整即可：

补全训练脚本缺失的依赖：训练代码开头加上import numpy as np，否则调用numpy相关方法时会直接报错。
修正模型保存逻辑：训练完成后仅持久化实际需要的模型参数，不要保存函数对象，替换原有保存代码为：

import pickle

# 把预测需要的所有参数打包存储，后续如果加了特征归一化、类别映射等逻辑，也把对应参数放进这个字典
model_package = {
    "W": W,
    "b": b
}

# 用上下文管理器自动处理文件关闭，避免文件损坏
with open("model.pkl", "wb") as f:
    pickle.dump(model_package, f)

抽离公共工具函数：在Django对应的app目录下新建ml_utils.py文件，把预测依赖的自定义函数全部移到这个文件中，保证Django项目运行时可以正常导入这些函数，示例内容：

import numpy as np

def _sigmoid(Z):
    return 1 / (1 + np.exp(-Z))

def forward(X, W, b):
    Z = X.dot(W) + b
    return _sigmoid(Z)

def predict(X, W, b):
    prob = forward(X, W, b)
    return prob >= 0.5

调整Django视图加载逻辑：在视图中从公共模块导入预测函数，再加载pkl中的模型参数，不要依赖__main__作用域的对象，参考代码：

import pickle
import numpy as np
from django.http import JsonResponse
from .ml_utils import predict

# 项目启动时一次性加载模型，避免每次请求重复读文件
with open("model.pkl", "rb") as f:
    model_params = pickle.load(f)
W = model_params["W"]
b = model_params["b"]

def predict_view(request):
    if request.method == "POST":
        # 此处补充从请求中提取特征、转换为和训练时维度/格式一致的numpy数组的逻辑
        # 注意必须和训练时做完全一致的特征预处理，否则预测结果无效
        input_x = np.array([]).reshape(1, -1) # 替换为实际输入特征
        pred_result = predict(input_x, W, b)
        return JsonResponse({"predict_result": int(pred_result[0][0])})

注意：如果训练阶段做了特征归一化、类别编码等预处理操作，必须把预处理用到的所有参数（比如特征均值、标准差、类别映射字典）一起存入pkl包中，预测阶段对用户输入做完全相同的预处理后再传入模型。

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