Heroku部署深度学习模型遇Slug体积超限问题求助

我之前也碰到过一模一样的情况——用Flask搭了深度学习API，本地跑完全顺畅，但推Heroku时就因为slug体积超500M报错。结合你的场景（模型仅83M，核心依赖是Keras+TensorFlow），给你几个实用的优化方向：

1. 清理冗余文件+精简依赖 #

• 先扫一遍项目根目录，把本地测试用的数据集、日志、缓存文件夹（比如__pycache__、.ipynb_checkpoints）全加到.gitignore里，别让这些无关文件占slug空间。
• 狠狠精简requirements.txt：只留生产必需的依赖，删掉开发用的工具（比如pytest、jupyter这类）；如果你的模型不需要GPU加速，直接把tensorflow换成tensorflow-cpu——这个轻量版本能砍掉几百M的GPU相关依赖，效果立竿见影。
• 安装依赖时禁用缓存：在requirements.txt开头加上--no-cache-dir，或者给Heroku设置环境变量PIP_NO_CACHE_DIR=1，避免pip把安装包的缓存也塞进slug里。

2. 优化模型文件体积 #

• 你的模型已经很小，但还能再压缩：比如用Keras导出.h5模型后，用gzip压缩文件，部署时在代码里先解压再加载；或者转换成TensorFlow Lite格式，体积能比原生.h5小30%-50%，而且推理性能完全能满足文本分类场景的需求。

3. 排查Slug的体积构成 #

• 要是不确定哪部分占了最大空间，可以部署后运行heroku run bash进入容器，执行du -sh *查看各个目录的大小。我之前就踩过坑：.git目录没加进.gitignore，占了近100M，删掉后直接达标了。

4. 用Pipenv替代pip管理依赖 #

• Pipenv会生成精准的Pipfile和Pipfile.lock，比requirements.txt更严谨地管理依赖版本，而且默认会清理安装缓存，能有效减少slug的冗余体积。

这些方法组合起来，绝对能把slug压到500M以内。我当时就是靠换成tensorflow-cpu+清理本地冗余文件解决的问题，你可以试试看！

内容的提问来源于stack exchange，提问作者Antoine