使用Docker部署机器学习模型分步指南

审校 | 重楼

部署机器学习模型与开发一样重要，特别是在确保不同环境之间的一致性时。软件版本或配置方面的变化/差异可能导致不一致的行为或意外错误。Docker将应用程序连同其依赖项封装到一个容器中，以确保它在任何地方都能一样正常运行。它让你可以简化部署过程，并尽可能减少错误。

Docker简述

Docker是一种开源平台，它使开发人员能够将应用程序连同其依赖项打包到一个容器中。这个容器是轻量级便携式盒子，封装了应用程序运行所需的所有必要内容（比如代码、库和设置）。容器将应用程序与操作系统或配置方面的差异隔离开来，从而确保应用程序在各种环境中一致地运行。此外，利用Docker可以简化团队成员之间的协作，便于从开发环境更平滑地过渡到生产环境。

部署机器学习模型分步指南

不妨看看如何使用Docker部署机器学习模型。

1. 搭建环境

在开始之前，确保你已经在系统上安装了Docker。你可以从Docker官方网站下载。

2. 构建机器学习模型

你需要准备好部署一个经过训练的机器学习模型。在本教程中，我们使用scikit-learn和Python举一个简单的示例。

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()

上面的示例在一个脚本中结合了模型训练、保存和预测。train_model()函数使用Iris数据集训练一个简单模型，并将其保存为“model.pkl”。predict()函数加载保存的模型，并使用预定义的测试数据进行预测。

3. 创建requirements.txt文件

在该文件中列出你的应用程序需要的所有Python依赖项。在本例中：

requirements.txt：

scikit-learn

4. 创建Dockerfile

Dockerfile是一个脚本，含有用于构建Docker镜像的一系列指令。

下面是我们应用程序的简单Dockerfile。确保该Dockerfile创建时没有扩展名，因为它允许Docker在构建镜像时不需要任何额外的参数就能识别它。

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"]

现在不妨了解Dockerfile中每个关键字的含义。

• FROM：指定了Dockerfile的基本镜像。我们在本例中使用了Python 3.11-slim。
• WORKDIR：将工作目录设置为特定的路径。此后，所有命令将相对该目录加以执行。
• COPY：这个命令将内容从本地机器复制到Docker容器。这里，它复制了requirements.txt和model.py文件。
• RUN：它是镜像的环境中的shell内执行命令。这里，它在安装requirements.txt文件中列出了所有项目依赖项。
• CMD：该命令指定容器启动时运行的默认命令。在本例中，它使用Python运行model.py脚本。

5. 构建Docker镜像

打开命令提示或终端，进入到Dockerfile所在的工作目录，然后运行以下命令：

docker build -t ml-model

这个命令使用当前目录构建一个名为ml-model的Docker镜像。

6. 运行Docker容器

一旦构建了Docker镜像，我们终于准备好了运行容器。运行如下命令：

docker run ml-model

输出如下：

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

7. 标记容器，并将容器推送到DockerHub

Docker Hub是Docker镜像的存储库，方便用户在团队或生产环境之间共享、版本控制和分发容器。

在Docker Hub上创建一个帐户。创建完毕后，运行以下命令通过终端登录帐户。

docker login

你必须用用户名标记Docker镜像，以便它知道将镜像推送到哪里。替换你的用户名，执行以下命令：

docker tag ml-model yourdockerhubusername/ml-model

一旦镜像已标记完毕，你就可以使用以下命令将镜像推送到Docker Hub。

docker push yourdockerhubusername/ml-model

现在谁都可以拉取并运行你的Docker镜像了，只需运行以下命令：

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

结论

使用Docker部署机器学习模型保证跨不同平台拥有一致的环境和依赖项，从而使部署过程更顺畅、更具可扩展性。本教程探讨了使用Docker构建、打包和部署机器学习模型的步骤，强调了其简单性。

有了Docker，模型部署来得更直接简单，从而不需要搭建复杂环境。

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