Paketering och containerisering

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Driftsättning och containerisering

Driftsättning

Paketera modell + beroenden i enheter
För körning i olika miljöer
Docker är de facto-standard för containerisering och driftsättning

Driftsättningsfasen i maskininlärningens livscykel

Docker

Plattform som förenklar utveckling med containers

Containers:

Paketerar applikationer som fristående enheter
Designade för att vara plattformsoberoende
Hämta Docker

DataCamp Docker Course

Docker-logotyp

Docker-användning del 1

Dockerfile: instruktioner för att bygga en container

# 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

Docker-användning del 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"]

Bygg den definierade imagen:

docker build -t heart_disease_model .

Taggning av containers

Taggning:

docker tag heart_disease_model:latest heart_disease_model:1.0

Gör images och containers enklare att identifiera och hantera.
Hjälper till att upprätthålla ett detaljerat och robust modellregister.
Efter taggning är vi redo att driftsätta!

Driftsättning visualiserad som en pil

Bästa praxis

Även om Docker förenklar paketering av modeller...

Tänk på säkerheten
Inkludera inte känslig data
Använd betrodda images (från verifierade utvecklare)

Om din applikation innehåller känslig information...

Använd miljövariabler
T.ex. för anslutningssträngar och lösenord

Säkerhetslås

Nu kör vi en övning!

End-to-End Machine Learning