动手实践：容器化预测服务

这个实践操作使用容器化概念和 Docker 基本知识，将第 3 章中构建的 Flask 预测服务打包成一个可移植的 Docker 容器。这个过程将确保我们的应用在不同环境中稳定运行。

确保您已将第 3 章中的以下文件准备好并放在一个项目目录中：

1. app.py：您的 Flask 应用代码，用于加载模型并定义预测端点。
2. model.joblib（或 .pkl）：已保存的机器学习 (machine learning)模型文件。
3. requirements.txt：一个列出您的应用所需 Python 库的文件（如 flask、scikit-learn、numpy、joblib）。如果您没有，请现在创建它。它应至少包含：

   flask
   joblib
   scikit-learn
   numpy
   # 添加您的特定模型或应用所需的任何其他库
   

4. 此外，如果您在第 2 章中保存的任何预处理工件（如缩放器或编码器）是 app.py 所需的，它们也应放在此目录中。

我们的目标是创建一个 Docker 镜像，其中包含 Python 运行时、我们的应用代码、模型文件以及 requirements.txt 中定义的所有必需库。然后，我们将把这个镜像作为一个容器运行起来。

第 1 步：创建 Dockerfile

在您的项目目录中，创建一个名为 Dockerfile（无文件扩展名）的新文件。用文本编辑器打开此文件并添加以下指令：

# 使用官方 Python 运行时作为父镜像
FROM python:3.9-slim

# 设置容器中的工作目录
WORKDIR /app

# 将 requirements 文件复制到容器的 /app 目录
COPY requirements.txt .

# 安装 requirements.txt 中指定的任何必需包
RUN pip install --no-cache-dir -r requirements.txt

# 将其余应用代码和模型复制到容器的 /app 目录
COPY . .

# 使端口 5000 在此容器外部可用
EXPOSE 5000

# 为 Flask 定义环境变量
ENV FLASK_APP=app.py

# 在容器启动时，使用 Flask 的内置服务器运行 app.py
CMD ["flask", "run", "--host=0.0.0.0"]

让我们逐一分析每条指令的作用：

• FROM python:3.9-slim：这指定了我们容器的基础镜像。我们从一个最小化的官方 Python 3.9 镜像（slim 版本）开始。如果本地没有，Docker 将下载它。
• WORKDIR /app：这会将容器内部的工作目录设置为 /app。后续的命令，如 COPY 和 RUN，将相对于此目录执行。
• COPY requirements.txt .：这会将您宿主机项目目录中的 requirements.txt 文件复制到容器的工作目录（/app）。。表示容器内的当前工作目录。
• RUN pip install --no-cache-dir -r requirements.txt：此命令在容器内部运行 pip install，以安装 requirements.txt 中列出的所有库。--no-cache-dir 标志常用于 Docker 构建中，通过不存储下载缓存来减小镜像大小。
• COPY . .：这会将您项目目录中的所有其他内容（您的 app.py、model.joblib 等）复制到容器的工作目录（/app）。我们先复制 requirements.txt 并安装依赖项，然后再复制其余代码；这优化了 Docker 的层缓存。如果您的代码不变但依赖项改变，Docker 只需重新运行 pip install 步骤。
• EXPOSE 5000：这告知 Docker 容器在运行时将监听端口 5000。这并不会实际发布端口；它更像是镜像内部的说明。Flask 开发服务器默认使用端口 5000。
• ENV FLASK_APP=app.py：在容器内部设置一个环境变量，告诉 Flask 要运行哪个文件。
• CMD ["flask", "run", "--host=0.0.0.0"]：这指定了从该镜像启动容器时要运行的命令。我们使用 flask run 来启动开发服务器。--host=0.0.0.0 部分很重要；它使服务器监听容器内所有可用的网络接口，从而允许我们从外部连接到它。

第 2 步：构建 Docker 镜像

现在我们有了 Dockerfile，就可以构建镜像了。打开您的终端或命令提示符，导航到您的项目目录（包含 Dockerfile、app.py 等的目录），然后运行以下命令：

docker build -t ml-prediction-service .

让我们理解这个命令：

• docker build：从 Dockerfile 构建镜像的命令。
• -t ml-prediction-service：-t 标志允许您为镜像“打标签”并命名（以及可选的标签，如 :latest 或 :v1）。我们将镜像命名为 ml-prediction-service。这使得以后引用它更容易。
• .：这告诉 Docker 在当前目录中查找 Dockerfile。

Docker 现在将逐步执行您的 Dockerfile 中的指令。您将看到它下载基础镜像（如果需要）、安装包和复制文件的输出。第一次执行时可能需要一两分钟，尤其是在 pip install 步骤。随后的构建可能会因为 Docker 的缓存机制而更快。

如果构建成功完成，您就创建了 Docker 镜像！您可以通过列出本地 Docker 镜像来验证这一点：

docker images

您应该会看到 ml-prediction-service 列在其中。

第 3 步：运行 Docker 容器

镜像构建完成后，我们现在可以将其作为一个容器运行。在您的终端中执行此命令：

docker run -p 5000:5000 ml-prediction-service

让我们检查 docker run 命令：

• docker run：从镜像启动新容器的命令。
• -p 5000:5000：这是端口映射标志。它将您宿主机上的端口 5000（第一个 5000）映射到容器内部的端口 5000（第二个 5000）。请记住，Dockerfile 中的 EXPOSE 5000 只是说明了端口；-p 实际上建立了连接。这使得您可以通过 localhost:5000 在您的机器上访问容器内运行的 Flask 应用。
• ml-prediction-service：我们要运行的镜像的名称。

您应该会看到 Flask 的输出，表明服务器正在运行，这与您在第 3 章中直接运行它时类似，但现在它是在隔离的容器环境中运行。

 * 正在提供 Flask 应用 'app.py'
 * 环境：生产
   警告：这是一个开发服务器。请勿在生产部署中使用它。
   请改用生产 WSGI 服务器。
 * 调试模式：关闭
 * 正在所有地址 (0.0.0.0) 上运行
   警告：这是一个开发服务器。请勿在生产部署中使用它。
 * 正在 http://127.0.0.1:5000 上运行
 * 正在 http://[::]:5000 上运行 (按 CTRL+C 退出)

您的终端将连接到正在运行的容器，并显示其日志。

第 4 步：测试容器化服务

就像在第 3 章中一样，您可以测试您的 API。打开一个新的终端窗口（让容器在第一个窗口中保持运行），然后使用 curl 或带有 requests 库的 Python 脚本向 http://localhost:5000/predict（或您定义的任何端点）发送 POST 请求。

使用 curl（将示例数据替换为您的模型的有效输入）：

curl -X POST -H "Content-Type: application/json" \
     -d '{"features": [5.1, 3.5, 1.4, 0.2]}' \
     http://localhost:5000/predict

您应该会像以前一样从服务接收到 JSON 预测结果。不同之处在于，该服务现在是在一个标准化、隔离的 Docker 容器中运行。

第 5 步：停止容器

要停止在前台运行的容器，请回到运行容器的终端并按 CTRL+C。

如果您想在后台运行容器（分离模式），可以添加 -d 标志：

docker run -d -p 5000:5000 ml-prediction-service

此命令将启动容器并打印其唯一 ID。它将继续在后台运行。要查看正在运行的容器，请使用：

docker ps

要停止一个分离的容器，请使用 docker stop <container_id_or_name>：

docker stop <output_container_id_from_docker_ps>

恭喜！您已成功使用 Docker 容器化了您的 Flask 预测服务。您现在拥有了一个定义环境的 Dockerfile，以及一个打包了您的应用和依赖项的 Docker 镜像。这个镜像可以在任何安装了 Docker 的机器上共享并稳定运行，极大地简化了部署过程。这是使您的机器学习 (machine learning)模型在不同环境中可靠可用的重要一步。