Balení a kontejnerizace

Strojové učení od začátku do konce

Joshua Stapleton

Machine Learning Engineer

Nasazení a kontejnerizace

Nasazení

Zabalení modelu a závislostí do jednotek
Pro spuštění v různých prostředích
De facto framework pro kontejnerizaci a nasazení je Docker

Fáze nasazení v životním cyklu strojového učení

Docker

Platforma pro zjednodušení vývoje pomocí kontejnerů

Kontejnery:

Zabalí aplikaci do samostatných celků
Navrženy jako platformově nezávislé
Získat Docker

Kurz Docker na DataCampu

Logo Docker

Použití Dockeru – část 1

Dockerfile: instrukce pro sestavení kontejneru

# Use an official Python runtime as a parent image
FROM Python:3.7


# Set the working directory in the container to /app
WORKDIR /ML_pipeline


# Copy the current directory contents into the container at /app
ADD . /ML_pipeline


# Install any needed packages specified in requirements.txt
RUN pip install --no-cache-dir -r requirements.txt

Použití Dockeru – část 2

# ... continued
# Make port 80 available to the world outside this container
EXPOSE 80

# Define environment variable
ENV NAME World

# Run app.py when the container launches
CMD ["Python", "ML_pipeline.py"]

Sestavení definovaného obrazu:

docker build -t heart_disease_model .

Označování kontejnerů

Označování:

docker tag heart_disease_model:latest heart_disease_model:1.0

Usnadňuje identifikaci a správu obrazů / kontejnerů.
Pomáhá udržovat podrobný a robustní registr modelů.
Po označení jsme připraveni k nasazení!

Nasazení vizualizované jako šipka

Osvědčené postupy

Docker balení modelů usnadňuje, ale...

Myslete na bezpečnost
Nezahrnujte citlivá data
Používejte důvěryhodné obrazy (od ověřených vývojářů)

Pokud aplikace obsahuje citlivé informace...

Používejte proměnné prostředí
Např. pro připojovací řetězce / hesla

Bezpečnostní zámek

Pojďme si to procvičit!

Strojové učení od začátku do konce