🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​

📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】

​

 🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

文章目录

简介

Docker

Architecture（建筑学）

设置

Images

Dockerfile

构建镜像

运行容器

调试

生产

将我们的应用程序打包到可重现和可扩展的容器中。

简介

实现可重现性的最后一步是将我们的版本化代码和工件部署在可重现的环境中。这远远超出了我们为 Python 应用程序配置的虚拟环境，因为我们没有捕获系统级规范（操作系统、所需的隐式包等）。我们希望能够封装我们需要的所有需求，这样就没有外部依赖项会阻止其他人复制我们的确切应用程序。

Docker

实际上有相当多的系统级可再现性解决方案（VM、容器引擎等），但Docker容器引擎是迄今为止最受欢迎的几个关键优势：

• 通过 Dockerfile 实现可重现性，并带有在特定系统中部署我们的应用程序的明确说明。
• 通过容器进行隔离，以免影响也可能在同一底层操作系统上运行的其他应用程序。
• 以及更多优势，包括大小（每个应用程序不需要单独的操作系统）、速度、Docker Hub等。

我们将使用 Docker 以隔离、可重复和可扩展的方式在本地部署我们的应用程序。一旦我们这样做了，任何安装了 Docker 引擎的机器都可以重现我们的工作。但是，Docker 还有很多其他功能，您可以在docs中进行探索，这超出了我们的需要。

Architecture（建筑学）

在我们安装 Docker 之前，让我们看看容器引擎是如何在我们的操作系统之上工作的，它可以是我们的本地硬件或在云上管理的东西。

Docker 容器引擎负责启动已配置的容器，其中包含我们的应用程序及其依赖项（二进制文件、库等）。容器引擎非常高效，因为它不需要为每个容器化应用程序创建单独的操作系统。这也意味着我们的容器可以通过 Docker 引擎共享系统的资源。

设置

现在我们已准备好根据我们的操作系统安装Docker。安装后，我们可以启动 Docker 桌面，这将允许我们创建和部署我们的容器化应用程序。

docker --version

Docker version 20.10.8, build 3967b7d

Images

第一步是构建一个包含应用程序及其所有指定依赖项的 docker 映像。我们可以使用概述一组指令的 Dockerfile 创建此映像。这些指令本质上是在彼此之上构建只读图像层来构建我们的整个图像。让我们看看我们的应用程序的Dockerfile和它创建的镜像层。

Dockerfile

我们将从创建 Dockerfile 开始：

touch Dockerfile

我们将写入的第一行Dockerfile指定了我们想要从 FROM中提取的基础镜像。在这里，我们想使用基础镜像来运行基于 Python 的应用程序，特别是用于带有 slim 变体的 Python 3.7。由于我们只部署了一个 Python 应用程序，这个带有最少包的苗条变体满足了我们的要求，同时保持了图像层的大小。

# Base image
FROM python:3.7-slim

接下来我们将安装我们的应用程序依赖项。首先，我们将从本地文件系统中复制所需的文件，以便我们可以使用它们进行安装。或者，如果我们在一些远程基础设施上运行，我们可以从远程 git 主机中提取。获得文件后，我们可以使用RUN命令安装安装应用程序依赖项所需的包。一旦我们使用完这些包，我们可以删除它们以将我们的图像层的大小保持在最小。

# Install dependencies
WORKDIR /mlops
COPY setup.py setup.py
COPY requirements.txt requirements.txt
RUN apt-get update \&& apt-get install -y --no-install-recommends gcc build-essential \&& rm -rf /var/lib/apt/lists/* \&& python3 -m pip install --upgrade pip setuptools wheel \&& python3 -m pip install -e . --no-cache-dir \&& python3 -m pip install protobuf==3.20.1 --no-cache-dir \&& apt-get purge -y --auto-remove gcc build-essential

接下来我们准备复制所需的文件以实际运行我们的应用程序。

# Copy
COPY tagifai tagifai
COPY app app
COPY data data
COPY config config
COPY stores stores# Pull assets from S3
RUN dvc init --no-scm
RUN dvc remote add -d storage stores/blob
RUN dvc pull

由于我们的应用程序 (API) 需要打开 PORT 8000，因此我们需要在 Dockerfile 中指定以公开它。

# Export ports
EXPOSE 8000

构建镜像的最后一步是指定从我们的镜像构建容器时要运行的可执行文件。对于我们的应用程序，我们希望使用 gunicorn 启动我们的 API，因为这个 Dockerfile 可用于将我们的服务大规模部署到生产环境中。

# Start app
ENTRYPOINT ["gunicorn", "-c", "app/gunicorn.py", "-k", "uvicorn.workers.UvicornWorker", "app.api:app"]

在 Dockerfile 中有更多命令可供我们使用，例如使用环境变量 ( ENV ) 和参数 ( ARG )、命令参数 ( CMD )、指定卷 ( VOLUME )、设置工作目录 ( WORKDIR ) 等等，所有这些你都可以通过官方文档来探索。

构建镜像

一旦我们完成了 Dockerfile 的编写，我们就可以使用build命令构建我们的镜像了，该命令允许我们添加标签并指定要使用的 Dockerfile 的位置。

docker build -t tagifai:latest -f Dockerfile .

我们可以像这样检查所有构建的图像及其属性：

docker images

REPOSITORY   TAG       IMAGE ID       CREATED          SIZE
tagifai      latest    02c88c95dd4c   23 minutes ago   2.57GB

我们还可以根据其唯一 ID 删除任何或所有图像。

docker rmi               # remove an image
docker rmi $(docker images -a -q)  # remove all images

运行容器

一旦我们构建了我们的镜像，我们就可以使用该镜像运行一个容器，运行命令允许我们指定镜像、端口转发等。

docker run -p 8000:8000 --name tagifai tagifai:latest

一旦我们的容器运行起来，我们就可以使用 API，感谢我们共享的端口（8000）：

curl -X 'POST' \'http://localhost:8000/predict' \-H 'accept: application/json' \-H 'Content-Type: application/json' \-d '{
  "texts": [
    {
      "text": "Transfer learning with transformers for text classification."
    }
  ]
}'

我们可以像这样检查所有容器（运行或停止）：

docker ps     # running containers
docker ps -a  # stopped containers

CONTAINER ID   IMAGE            COMMAND                  CREATED          STATUS    PORTS                    NAMES
ee5f1b08abd5   tagifai:latest   "gunicorn -c config…"    19 minutes ago   

docker stop       # stop a running container
docker rm         # remove a container
docker stop $(docker ps -a -q)  # stop all containers
docker rm $(docker ps -a -q)    # remove all containers

如果我们的应用程序需要多个容器用于不同的服务（API、数据库等），那么我们可以使用 docker compose功能一次将它们全部启动，并使用Kubernetes (K8s)等容器编排系统来扩展和管理它们。如果我们专门部署 ML 工作流，我们可以使用KubeFlow 之类的工具包来帮助我们管理和扩展。

调试

如果我们在构建镜像层时遇到错误，调试问题的一种非常简单的方法是使用迄今为止构建的镜像层运行容器。我们可以通过仅在Dockerfile. 然后我们需要重建镜像（因为我们改变了 Dockerfile）并运行容器：

docker build -t tagifai:latest -f Dockerfile .
docker run -p 8000:8000 -it tagifai /bin/bash

一旦我们的容器运行起来，我们就可以像在本地机器上一样使用我们的应用程序，但现在它可以在任何可以运行 Docker 容器引擎的操作系统上重现。我们已经介绍了从 Docker 部署我们的应用程序所需的内容，但 Docker 还有更多内容，您可以在docs中进行探索。

生产

这Dockerfile通常是数据科学家或 ML 工程师交付给他们的 DevOps 团队以部署和扩展他们的服务的最终工件，并进行了一些更改：

• 数据资产将从远程存储位置（例如 S3）中提取。
• 模型工件将从远程模型注册表加载。
• 代码将从远程存储库（例如 GitHub）通过git clone.

所有这些更改都将涉及使用正确的凭据（通过加密的秘密，甚至可以通过CI/CD 工作流自动部署。但是，当然，还有后续职责，例如监控。