在 Docker 容器中运行应用

Docker 镜像可以将 Flask 预测服务及其所有依赖项打包成一个独立的蓝图。当作为容器运行时，这个蓝图便会变为现实。容器是 Docker 镜像的一个实时运行实例，它提供了一个应用程序在其内部执行的独立环境。

使用 docker run 启动您的容器

从镜像启动容器的基本命令是 docker run。它的基本结构如下：

docker run [OPTIONS] IMAGE[:TAG] [COMMAND] [ARG...]

• OPTIONS：修改容器行为的标志（我们稍后会介绍一些重要选项）。
• IMAGE[:TAG]：您要运行的镜像名称。如果您按照上一节操作，这可能是 prediction-service 之类的名称。如果未指定标签，Docker 默认为 :latest 标签。
• COMMAND 和 ARG...：在容器内部执行的可选命令和参数 (parameter)，它们会覆盖 Dockerfile 中指定的默认命令（例如 CMD ["python", "app.py"] 指令）。

让我们试着运行 Flask 应用的容器。如果您的镜像名为 prediction-service，一个简单的执行方式是：

# 这可能会在前台运行，并把 Flask 日志输出到您的终端
docker run prediction-service

您可能会看到 Flask 的输出，提示服务器已启动。但是，这样运行会占用您的终端。要停止它，您可以按下 Ctrl+C。对于一个 Web 服务，我们通常希望它在后台运行。

在分离模式下运行

要在后台（分离模式）运行容器，请使用 -d 选项：

docker run -d prediction-service

此命令会启动容器并立即返回您的终端提示符，同时打印一个长容器 ID。但是我们如何与在容器 内部 运行的 Flask 应用交互呢？默认情况下，容器端口无法从您的宿主机访问。我们需要进行映射。

端口映射以便访问

容器内的 Flask 应用正在监听一个特定端口（可能是在 Flask 应用或 Dockerfile 中配置的 5000 端口）。要从我们的宿主机浏览器或 curl 等工具访问它，我们需要将宿主机上的一个端口映射到容器的端口。这通过使用 -p 或 --publish 选项来完成，格式为 host_port:container_port。

例如，要将宿主机上的 5000 端口映射到容器内部的 5000 端口，您可以使用 -p 5000:5000。

此图说明了 -p 标志如何将宿主机上的端口连接到 Flask 应用在容器内部运行的端口。

为容器命名

Docker 会为容器分配随机名称（例如 focused_turing）。这些名称虽然功能正常，但不太容易记住。您可以使用 --name 选项分配一个特定名称，这会使管理容器变得更方便。

综合运用

让我们将这些选项组合起来运行 Flask 服务容器：

1. 在分离模式下运行（-d）。
2. 将宿主机上的 5000 端口发布到容器中的 5000 端口（-p 5000:5000）。
3. 给它一个方便记忆的名称，例如 my-prediction-app（--name my-prediction-app）。
4. 指定镜像名称（prediction-service）。

docker run -d -p 5000:5000 --name my-prediction-app prediction-service

如果成功，Docker 将打印容器 ID，并且容器将在后台运行。

验证正在运行的容器

您如何知道它确实在运行呢？ docker ps 命令会列出所有当前正在运行的容器：

docker ps

您应该会看到类似这样的输出（具体细节可能有所不同）：

CONTAINER ID   IMAGE                COMMAND                  CREATED          STATUS          PORTS                    NAMES
a1b2c3d4e5f6   prediction-service   "python app.py"          15 seconds ago   Up 14 seconds   0.0.0.0:5000->5000/tcp   my-prediction-app

这确认了：

• 您的容器（my-prediction-app）正在运行。
• 它基于 prediction-service 镜像。
• 宿主机上的 5000 端口（0.0.0.0:5000）已映射到容器内部的 5000 端口。

您还可以使用 docker logs 命令查看容器内部应用产生的日志：

docker logs my-prediction-app

这应该会显示您的 Flask 应用的启动消息。

访问您的服务

现在容器正在运行且端口已映射，您可以像在本地测试时一样向您的预测服务发送请求，但目标是您发布的 宿主机 端口（我们示例中是 5000）上的 localhost。

使用 curl（假设您的 API 在 /predict 端点期望 JSON 输入）：

curl -X POST -H "Content-Type: application/json" \
     -d '{"features": [1.0, 2.5, 3.0, 4.5]}' \
     http://localhost:5000/predict

或者使用 Python 的 requests 库：

import requests
import json

# 示例输入数据（根据您的模型需求调整）
data = {"features": [1.0, 2.5, 3.0, 4.5]}

# Docker 中运行的服务的 URL
url = "http://localhost:5000/predict" # 使用宿主机端口

try:
    response = requests.post(url, json=data)
    response.raise_for_status() # 对于错误的 HTTP 状态码（4xx 或 5xx）抛出异常

    prediction = response.json()
    print(f"预测响应: {prediction}")

except requests.exceptions.RequestException as e:
    print(f"连接服务时出错: {e}")
except json.JSONDecodeError:
    print(f"无法解码 JSON 响应: {response.text}")

您应该会收到模型提供的预测输出，这些输出由完全在独立的 Docker 容器内运行的 Flask 应用提供服务！

停止和清理

完成实验后，您可以停止并删除容器以释放资源。

停止容器： 使用 docker stop 命令，后跟容器的名称或 ID：

docker stop my-prediction-app

删除容器： 已停止的容器仍然存在。要完全删除它，请使用 docker rm：

docker rm my-prediction-app

您只能删除已停止的容器。如果您想一次性停止并删除，可以在 docker rm 命令中使用 -f（强制）标志，但通常更好的做法是先停止它。

要查看所有容器，包括已停止的，请使用 docker ps -a。定期删除不再需要的已停止容器是良好的维护习惯。

您现在已成功在 Docker 容器中运行了您的机器学习 (machine learning)预测服务，这使其可移植并确保了运行环境的一致性。这是可靠部署应用的一个基础步骤。