[教程]：使用 FastAPI 和 Docker 提供容器化 ML 模型
作者：互联网
[教程]：使用 FastAPI 和 Docker 提供容器化 ML 模型
使用 FastAPI 和 docker 提供容器化机器学习 (ML) 模型的分步教程。
Our tech stack for the tutorial
在我的 ** 以前的** 在教程中，我们通过构建端点来服务机器学习（ 机器学习 ) 使用 Python 的图像分类器模型和 快速API .
在本后续教程中，我们将重点介绍在通过 FastAPI 服务时使用 docker 对模型进行容器化。
如果你关注了我的 ** 最后一个教程** 关于使用 TensorFlow Hub 提供预训练的图像分类器模型 快速API ， 那么你也能 ** 直接地** __跳 至 ** 第 3 步** 本教程的⬇️。
[
[教程]：使用 FastAPI 在生产环境中提供 ML 模型
使用 FastAPI 从 TensorFlow Hub 提供（预训练的）图像分类器模型的分步教程。
媒体网
](/@ashmi_banerjee/4-step-tutorial-to-serve-an-ml-model-in-production-using-fastapi-ee62201b3db3)
集装箱化的优势
It works on my machine — a popular docker meme on the internet
容器化具有以下优势：
- **性能一致性
** DevOps 团队知道容器中的应用程序将运行相同，无论它们部署在哪里。 - **更高的效率
** 容器允许更快速地部署、修补或扩展应用程序。 - **更少的开销
** 与传统或硬件虚拟机环境相比，容器需要更少的系统资源，因为它们不包含操作系统映像。
方法
我们可以在这里使用 2 种方法来实现这一点。
- 实现一个
Dockerfile这需要建成每次代码发生变化时手动手动执行，然后单独执行。 - 使用自动化上述过程
码头工人撰写
步骤 0：先决条件
-
Python 3.6+
-
你有 ** 码头工人** 安装。
-
创建项目结构如下
fastapi-后端
├── 源
│ ├── 应用
│ │ ├── app.py
│ └── 预
│ │ ├── 型号
│ │ │ ├── tf_pred.py
│ │ └── image_classifier.py
│ └── 实用工具
│ │ ├── 实用程序.py
│ └── main.py
├── Dockerfile
├── docker-compose.yml
└── requirements.txt
第 1 步：设置
在里面 应用程序.py 文件，执行 /预测/tf/ 终点使用 快速API .
在里面 主文件 文件，我们使用 乌维康 server，它是 Python 的 ASGI Web 服务器实现。
笔记 : 由于本教程的目标是容器化应用程序，因此上述代码片段的详细解释已在 ** 第2步** 的 ** 以前的** __教程。
第 2 步：创建 Dockerfile
容器化应用程序的第一步是在您的项目目录中创建一个 Dockerfile （见上面的项目结构） .
Dockerfile 是一个文本文档，包含构建 docker 映像所需的所有说明。
我们定义我们的 Dockerfile 如下：
说明：
1号线: 下载指定的 Docker 镜像 (蟒蛇：3-破坏者） 来自 ** 码头中心注册表** .您可以查看可用的图像 ** 这里** .3号线: 升级点子以便稍后我们可以安装要求.txt4号线：将工作目录设置为/代码.这是必需的，以便所有脚本都从一个公共父目录运行6号线: 副本要求.txt文件及其内容从主机到容器7号线: 安装内容要求.txt图像内部第 9–12 行: 将各自的文件从主机复制到镜像13号线：CMD（可执行）指令用于设置运行容器时要执行的命令。一个Dockerfile必须只有一个 CMD 指令，如果有多个，只有最后一个生效。该语句还将容器的默认命令设置为蟒蛇主.py.
第 4 步：构建并运行您的应用程序
一旦我们实现了 Dockerfile，下一步就是 建造 泊坞窗图像，然后 跑 它。
步骤 4.1。构建 图片
我们构建图像（这里 我的fastapiimage ） 如下。
您可以使用您选择的任何名称来调用它。
docker build -t myfastapiimage 。
需要注意的要点：
-
不要忘记
.在图像之后 -
如果您的 docker 镜像在更改文件后无法重建，您可以按如下方式启动强制构建：
docker build --no-cache -t myfastapiimage 。
码头工人建造 通常使用缓存来加快速度。 --无缓存 确保它强制重建它。
步骤 4.2。运行容器
docker run --name mycontainer -p 80:8000 myfastapiimage
解释
码头运行--名称<myContainerName>: 创建一个名为我的容器（您可以在此处使用任何名称）。容器的名称稍后用于识别目的。-p<host_port> ：<container_port>映射主机的端口（80) 到集装箱的一个港口 (8000）。我的fastapiimage是从中派生容器的映像的名称。
[步骤 4 的替代方法] 使用 Docker-compose
码头工人撰写 是定义和运行多容器 Docker 应用程序的理想工具。在 Compose 中，我们使用 YAML 文件 ( .yml ) 来配置应用程序的服务。
使用的最大优势 码头工人撰写 就是说，使用一个命令，我们就可以从我们的配置中创建并启动所有服务。你可以阅读更多关于 码头工人撰写 这里 .
现在让我们看看我们如何定义 码头工人撰写 在我们的例子中。由于我们是单一服务应用程序，因此定义 码头工人撰写 应该相当简单。
说明：
- 这个 docker-compose 有一个名为
应用程序定义。 - 这
应用程序服务使用从Dockerfile在当前目录中。 - 然后它将容器和主机绑定到暴露的端口，
8000 - 它还绑定了
/src/从主机到容器。卷绑定是反映容器中主机上文件的任何更改所必需的。
跑步 码头工人撰写 ：
从项目目录中，通过运行以下命令启动应用程序。
码头工人组成 --build
访问 ** http://127.0.0.1:8000/** 从您的浏览器启动并运行应用程序。
一些方便的调试技巧
-
如果您的图像遇到问题，您可以尝试进入容器的外壳并对其进行调试。要 bash 进入正在运行的容器，请键入以下内容：
docker exec -t -i mycontainer /bin/bash
-
如果您的 docker 镜像在更改文件后无法重建，您可以按如下方式启动强制构建：
docker build --no-cache -t myfastapiimage 。
-
有时，如果您尝试重新运行 docker 容器，您可能会得到
容器已经在使用错误。在这种情况下，终止容器，通过码头工人<containerName>并重新运行您的容器。
或者，如果您使用的是 docker-compose，您还可以从终端（在项目目录中）键入以下内容码头工人-撰写下来
-
的情况下
路径错误, 小心容器根您正在使用并相应地调整路径。 -
另一个方便的 docker 命令如下：
码头工人ps -a
它为您提供所有容器（运行和停止）的所有列表。
结论
在本教程中，我们学习了如何使用容器化我们的应用程序 码头工人 .
容器化之后的下一步是部署。
一旦我们对容器化应用程序的行为感到满意，我们就可以将其部署在任何托管/混合/本地云服务上，并将故障风险降至最低。
笔记 ：本教程可以扩展到任何类型的应用程序容器化，而不仅仅是 FasAPI 应用程序。
你只需要调整 _Dockerfile_ 和 _码头工人撰写_ 因此。其余的保持不变 .
✨ GitHub上的源代码可以访问 ** 这里** ** _.
_** 总结了有关该主题的参考资料和进一步阅读资料 ** 这里** .
✨ 如果你喜欢这篇文章，请 ** 订阅** 得到我最新的。
要取得联系，请联系我 ** 领英** 或通过 ** ashmibanerjee.com** .
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
本文链接：https://www.qanswer.top/15426/46430508
标签：容器,教程,FastAPI,应用程序,ML,Docker,Dockerfile,docker,码头工人 来源： https://www.cnblogs.com/amboke/p/16656836.html