Упаковка и контейнеризация

Сквозное машинное обучение

Joshua Stapleton

Machine Learning Engineer

Развёртывание и контейнеризация

Развёртывание

Упаковка модели и зависимостей в единый блок
Для запуска в различных средах
Стандартный инструмент контейнеризации и развёртывания — Docker

Фаза развёртывания в жизненном цикле машинного обучения

Docker

Платформа для упрощения разработки с использованием контейнеров

Контейнеры:

Упаковывают приложение в автономный блок
Не зависят от платформы
Установить Docker

Курс по Docker на DataCamp

Логотип Docker

Использование Docker, часть 1

Dockerfile: инструкции по сборке контейнера

# 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

Использование Docker, часть 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"]

Сборка образа:

docker build -t heart_disease_model .

Тегирование контейнеров

Тегирование:

docker tag heart_disease_model:latest heart_disease_model:1.0

Упрощает идентификацию образов и контейнеров и управление ими.
Помогает вести подробный реестр моделей.
После тегирования можно приступать к развёртыванию!

Развёртывание в виде стрелки

Давайте потренируемся!