如何在Flask中先渲染页面再执行深度学习模型后台训练任务？

兄弟，这个问题我太熟了！Flask默认是同步处理请求的，你现在的写法里network.train(...)会把整个请求卡住，必须等训练完才会返回页面。要实现先渲染页面再跑训练，核心就是把训练逻辑放到后台异步执行，下面给你两个实用的方案：

方案一：用Python内置线程快速实现（适合小型项目/原型） #

这个方案不用额外装依赖，直接利用Python的threading模块把训练逻辑放到子线程，主线程先返回页面给用户，子线程在后台默默跑训练。

修改你的代码如下：

from threading import Thread
from flask import Flask, request, render_template

app = Flask(__name__)

# 把训练逻辑抽成单独的函数，供子线程调用
def background_train(architecture):
    network = get_architecture(architecture)
    network.train(...)  # 你的训练代码，这里阻塞也不影响主线程

@app.route('/train', methods=['POST'])
def train():
    architecture = request.form.get('architecture', str)
    
    # 启动子线程执行训练
    train_thread = Thread(target=background_train, args=(architecture,))
    train_thread.daemon = True  # 设置为守护线程，Flask退出时自动结束任务
    train_thread.start()
    
    # 先返回页面，把用户传入的参数也传过去展示
    return render_template("begin_training.html", architecture=architecture)

优缺点： #

• ✅ 优点：零额外依赖，代码改动极小，快速实现需求
• ❌ 缺点：如果Flask进程重启/崩溃，后台训练任务会直接中断；没法追踪训练进度和状态

方案二：用Celery异步任务队列（适合生产环境） #

如果你的项目需要稳定的后台任务管理、状态追踪甚至分布式训练，Celery是工业级的解决方案。它需要搭配一个消息中间件（比如Redis或RabbitMQ）来管理任务队列。

步骤1：安装依赖 #

pip install celery redis

步骤2：配置Celery并定义异步任务 #

from flask import Flask, request, render_template, jsonify
from celery import Celery

app = Flask(__name__)
# 配置Redis作为消息队列和结果存储
app.config['CELERY_BROKER_URL'] = 'redis://localhost:6379/0'
app.config['CELERY_RESULT_BACKEND'] = 'redis://localhost:6379/0'

# 初始化Celery
celery = Celery(app.name, broker=app.config['CELERY_BROKER_URL'])
celery.conf.update(app.config)

# 定义异步训练任务
@celery.task
def train_task(architecture):
    network = get_architecture(architecture)
    network.train(...)  # 你的训练逻辑
    return "训练完成！"

@app.route('/train', methods=['POST'])
def train():
    architecture = request.form.get('architecture', str)
    # 把任务发送到Celery队列，立即返回任务ID
    task = train_task.delay(architecture)
    
    # 返回页面，同时把任务ID传给前端，方便后续查询状态
    return render_template("begin_training.html",
                           architecture=architecture,
                           task_id=task.id)

# 新增路由：查询训练任务状态
@app.route('/task_status/<task_id>')
def task_status(task_id):
    task = train_task.AsyncResult(task_id)
    if task.state == 'PENDING':
        response = {
            'state': task.state,
            'status': '训练正在进行中...'
        }
    elif task.state == 'SUCCESS':
        response = {
            'state': task.state,
            'status': task.result
        }
    else:
        # 处理失败/重试等状态
        response = {
            'state': task.state,
            'status': f"训练异常：{str(task.info)}"
        }
    return jsonify(response)

步骤3：启动Celery Worker #

在终端运行以下命令启动Celery worker来处理任务：

celery -A your_flask_app_name worker --loglevel=info

优缺点： #

• ✅ 优点：任务持久化，进程重启也不会丢失；支持任务状态查询、重试、分布式部署；适合生产环境
• ❌ 缺点：需要额外配置消息中间件，学习成本略高

额外优化：前端展示训练状态 #

用方案二的话，你可以在begin_training.html里加一段AJAX代码，定时请求/task_status/<task_id>接口，实时更新训练状态给用户，体验会更好。

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