这本面向 ML 爱好者的综合指南将带您完成使用 Docker 打包和运行 ML 模型的旅程。

在快速发展的机器学习 （ML） 领域，无缝打包和部署模型的能力与模型本身的开发一样重要。容器化已成为改变游戏规则的解决方案，它提供了从本地开发环境到生产环境的简化路径。Docker 是容器化领域的领先平台，它提供了将 ML 应用程序封装到可移植且可扩展的容器中所需的工具。

本文深入探讨了使用 Docker 容器化简单 ML 应用程序的分步过程，使 ML 从业者和爱好者都可以使用它。无论您是想与世界共享您的 ML 模型，还是寻求更高效的部署策略，本教程都旨在为您提供使用 Docker 转换 ML 工作流的基本技能。

Docker 和容器化

Docker 是一个强大的平台，它通过利用容器化（全机虚拟化的轻量级替代方案）彻底改变了应用程序的开发和分发。容器化涉及将应用程序及其环境（依赖项、库和配置文件）封装到容器中，容器是可移植且一致的软件单元。这种方法可确保应用程序在任何基础架构（从开发人员的笔记本电脑到高计算的基于云的服务器）中统一一致地运行。

与复制整个操作系统的传统虚拟机不同，Docker 容器共享主机系统的内核，使其效率更高、启动速度更快、资源密集度更低。Docker 简单明了的语法隐藏了部署过程中经常涉及的复杂性，简化了工作流程，并实现了 DevOps 方法对软件开发过程的生命周期管理。

教程

下面是一个分步教程，将指导您完成使用 Docker 容器化简单 ML 应用程序的过程。

设置开发环境

在开始之前，请确保计算机上安装了 Docker。如果没有，您可以从 Docker 网站下载它。

创建简单的机器学习应用程序

在本教程中，让我们创建一个简单的 Python 应用程序，该应用程序使用 Scikit-learn 库在 Iris 数据集上训练模型。

创建项目目录

打开终端或命令提示符并运行以下命令：

mkdir ml-docker-appbr

cd ml-docker-app

设置 Python 虚拟环境（可选，但推荐）

python3 -m venv venv

在 Windows 上使用venv\Scripts\activate

创建要求 .txt 文件

列出应用程序所需的 Python 包。对于我们简单的 ML 应用程序：

scikit-learn==1.0.2br

pandas==1.3.5

创建机器学习应用程序脚本

将以下代码保存到 ml-docker-app 目录中名为 app.py 的文件中：

from sklearn import datasetsbr

from sklearn.model_selection import train_test_splitbr

from sklearn.ensemble import RandomForestClassifierbr

from sklearn.metrics import accuracy_scorebr

import joblibbr

br

# Load datasetbr

iris = datasets.load_iris()br

X = iris.databr

y = iris.targetbr

br

# Split dataset into training set and test setbr

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)br

br

# Create a Gaussian Classifierbr

clf = RandomForestClassifier()br

br

# Train the model using the training setsbr

clf.fit(X_train, y_train)br

br

# Predict the response for test datasetbr

y_pred = clf.predict(X_test)br

br

# Model Accuracy, how often is the classifier correct?br

print(f"Accuracy: {accuracy_score(y_test, y_pred)}")br

br

# Save the trained modelbr

joblib.dump(clf, 'iris_model.pkl')

安装依赖项

运行以下命令以安装 requirements.txt 中列出的依赖项：

pip install -r requirements.txt

运行应用程序

运行应用程序以确保其正常工作：

python3 app.py

您应该会看到打印到控制台的模型的准确性，并创建一个名为 iris_model.pkl 的文件，其中包含经过训练的模型。

此脚本提供了非常基本的机器学习任务的端到端流程：加载数据、预处理数据、训练模型、评估模型，然后保存训练后的模型以供将来使用。

使用 Docker 容器化应用程序

创建“Dockerfile”

在 ml-docker-app 目录的根目录中，创建包含以下内容的文件：Dockerfile

# Use an official Python runtime as a parent imagebr

FROM python:3.9-slimbr

br

# Set the working directory in the containerbr

WORKDIR /usr/src/appbr

br

# Copy the current directory contents into the container at /usr/src/appbr

COPY . .br

br

# Install any needed packages specified in requirements.txtbr

RUN pip install --no-cache-dir -r requirements.txtbr

br

# Run app.py when the container launches

构建 Docker 映像

在终端中运行以下命令以生成 Docker 映像：

docker build -t ml-docker-app .

运行 Docker 容器

生成映像后，在 Docker 容器中运行应用程序：

docker run ml-docker-app

如果一切设置正确，Docker 将在容器内运行 Python 脚本，您应该会看到输出到终端的模型的准确性，就像您在本机运行脚本时一样。

标记容器并将其推送到 DockerHub

从命令行登录到 Docker Hub

拥有 Docker Hub 帐户后，需要通过本地计算机上的命令行登录。打开终端并运行：

docker login

系统将提示您输入 Docker ID 和密码。成功登录后，您可以将映像推送到 Docker Hub 存储库。

标记 Docker 映像

在将映像推送到 Docker Hub 之前，必须使用 Docker Hub 用户名对其进行标记。如果未正确标记，Docker 将不知道将映像推送到何处。

假设您的 Docker ID 是用户名，并且您想要将 Docker 映像命名为 ml-docker-app，请运行：

docker tag ml-docker-app username/ml-docker-app

这会将本地 ml-docker-app 映像标记为 username/ml-docker-app，从而准备将其推送到 Docker Hub 存储库。

将映像推送到 Docker Hub

若要将映像推送到 Docker Hub，请使用 docker push 命令，后跟要推送的映像的名称：

docker push username/ml-docker-app

Docker 会将映像上传到 Docker Hub 存储库。

在 Docker Hub 上检查推送的容器映像

您可以转到 Docker Hub 存储库并查看最近推送的映像。

就是这样！您已经成功地容器化了一个简单的机器学习应用程序，将其推送到 Docker Hub，并使其可以从任何位置拉取和运行。

原文标题：Dockerizing ML Models: A Deployment Guide

原文链接：https://dzone.com/articles/dockerizing-ml-models-a-deployment-guide

作者：Pavan Belagatti

编译：LCR