Пакування та контейнеризація

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Розгортання та контейнеризація

Розгортання

Пакування моделі та залежностей в єдині блоки
Для запуску в різних середовищах
Де-факто фреймворк для контейнеризації та розгортання — Docker

Етап розгортання в життєвому циклі машинного навчання

Docker

Платформа для спрощення розробки за допомогою контейнерів

Контейнери:

Пакують застосунок у самостійні артефакти
Створені як платформно-нейтральні
Get Docker

Курс DataCamp про Docker

Логотип Docker

Використання Docker, частина 1

Dockerfile: інструкції для збирання 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

Використання Docker, частина 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"]

Зберіть визначений образ:

docker build -t heart_disease_model .

Тегування контейнерів

Тегування:

docker tag heart_disease_model:latest heart_disease_model:1.0

Полегшує ідентифікацію та керування образами/контейнерами.
Допомагає підтримувати детальний і надійний реєстр моделей.
Після тегування можна розгортати!

Розгортання зображене як стрілка

Найкращі практики

Хоч Docker і спрощує пакування моделей...

Дбайте про безпеку
Не включайте чутливі дані
Використовуйте надійні образи (від перевірених розробників)

Якщо у вашому застосунку є чутлива інформація...

Використовуйте змінні середовища
Наприклад, для рядків підключення/паролів

Замок безпеки

Давайте потренуємось!

End-to-End Machine Learning