譯者 | 布加迪

審校 | 重樓

部署機器學習模型與開發一樣重要，特別是在確保不同環境之間的一致性時。軟件版本或配置方面的變化/差異可能導致不一致的行為或意外錯誤。Docker將應用程序連同其依賴項封裝到一個容器中，以確保它在任何地方都能一樣正常運行。它讓你可以簡化部署過程，并盡可能減少錯誤。

Docker簡述

Docker是一種開源平臺，它使開發人員能夠將應用程序連同其依賴項打包到一個容器中。這個容器是輕量級便攜式盒子，封裝了應用程序運行所需的所有必要內容（比如代碼、庫和設置）。容器將應用程序與操作系統或配置方面的差異隔離開來，從而確保應用程序在各種環境中一致地運行。此外，利用Docker可以簡化團隊成員之間的協作，便于從開發環境更平滑地過渡到生產環境。

部署機器學習模型分步指南

不妨看看如何使用Docker部署機器學習模型。

1. 搭建環境

在開始之前，確保你已經在系統上安裝了Docker。你可以從Docker官方網站下載。

2. 構建機器學習模型

你需要準備好部署一個經過訓練的機器學習模型。在本教程中，我們使用scikit-learn和Python舉一個簡單的示例。

model.py:

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
import pickle

# Train and save the model
def train_model():
 # Load dataset
 data = load_iris()
 X, y = data.data, data.target

 # Train model
 model = RandomForestClassifier()
 model.fit(X, y)

 # Save the trained model
 with open('model.pkl', 'wb') as f:
 pickle.dump(model, f)
 print("Model trained and saved as model.pkl")

# Load model and make a prediction using predefined test data
def predict():
 # Load the saved model
 with open('model.pkl', 'rb') as f:
 model = pickle.load(f)

 # Test data (sample input for prediction)
 test_data = [5.1, 3.5, 1.4, 0.2] # Example features
 prediction = model.predict([test_data])

 print(f"Prediction for {test_data}: {int(prediction[0])}")

if __name__ == '__main__':
 train_model()
 predict()

上面的示例在一個腳本中結合了模型訓練、保存和預測。train_model()函數使用Iris數據集訓練一個簡單模型，并將其保存為“model.pkl”。predict()函數加載保存的模型，并使用預定義的測試數據進行預測。

3. 創建requirements.txt文件

在該文件中列出你的應用程序需要的所有Python依賴項。在本例中：

requirements.txt：

scikit-learn

4. 創建Dockerfile

Dockerfile是一個腳本，含有用于構建Docker鏡像的一系列指令。

下面是我們應用程序的簡單Dockerfile。確保該Dockerfile創建時沒有擴展名，因為它允許Docker在構建鏡像時不需要任何額外的參數就能識別它。

Dockerfile:

# Use a base image with Python
FROM python:3.11-slim

# Set the working directory in the container
WORKDIR /app

# Copy the necessary files into the container
COPY requirements.txt requirements.txt
COPY model.py model.py

# Install the required Python libraries
RUN pip install -r requirements.txt

# Run the Python script when the container starts
CMD ["python", "model.py"]

現在不妨了解Dockerfile中每個關鍵字的含義。

• FROM：指定了Dockerfile的基本鏡像。我們在本例中使用了Python 3.11-slim。
• WORKDIR：將工作目錄設置為特定的路徑。此后，所有命令將相對該目錄加以執行。
• COPY：這個命令將內容從本地機器復制到Docker容器。這里，它復制了requirements.txt和model.py文件。
• RUN：它是鏡像的環境中的shell內執行命令。這里，它在安裝requirements.txt文件中列出了所有項目依賴項。
• CMD：該命令指定容器啟動時運行的默認命令。在本例中，它使用Python運行model.py腳本。

5. 構建Docker鏡像

打開命令提示或終端，進入到Dockerfile所在的工作目錄，然后運行以下命令：

docker build -t ml-model

這個命令使用當前目錄構建一個名為ml-model的Docker鏡像。

6. 運行Docker容器

一旦構建了Docker鏡像，我們終于準備好了運行容器。運行如下命令：

docker run ml-model

輸出如下：

Model trained and saved as model.pkl
Prediction for [5.1, 3.5, 1.4, 0.2]: 0

7. 標記容器，并將容器推送到DockerHub

Docker Hub是Docker鏡像的存儲庫，方便用戶在團隊或生產環境之間共享、版本控制和分發容器。

在Docker Hub上創建一個帳戶。創建完畢后，運行以下命令通過終端登錄帳戶。

docker login

你必須用用戶名標記Docker鏡像，以便它知道將鏡像推送到哪里。替換你的用戶名，執行以下命令：

docker tag ml-model yourdockerhubusername/ml-model

一旦鏡像已標記完畢，你就可以使用以下命令將鏡像推送到Docker Hub。

docker push yourdockerhubusername/ml-model

現在誰都可以拉取并運行你的Docker鏡像了，只需運行以下命令：

docker pull yourdockerhubusername/ml-model
docker run yourdockerhubusername/ml-model

結論

使用Docker部署機器學習模型保證跨不同平臺擁有一致的環境和依賴項，從而使部署過程更順暢、更具可擴展性。本教程探討了使用Docker構建、打包和部署機器學習模型的步驟，強調了其簡單性。

有了Docker，模型部署來得更直接簡單，從而不需要搭建復雜環境。

原文標題：Step-by-Step Guide to Deploying ML Models with Docker，作者：Kanwal Mehreen