复制代码和文件

将项目代码和相关文件引入 Docker 镜像，可以确保容器具备执行机器学习 (machine learning)任务所需的一切，例如训练模型或运行推理 (inference)服务。此步骤通常在 Dockerfile 中定义好基础环境和安装依赖之后进行。完成此操作的主要指令是 COPY 和 ADD。

使用 COPY 指令

COPY 指令是最直接、最常用的一种方法，用于将文件从本地机器（特别是构建上下文 (context)）复制到镜像文件系统中。它的语法很简单：

COPY <src>... <dest>

• <src>: 指定您要复制的本地机器上的文件或目录（相对于构建上下文根目录）。您可以指定多个源。支持通配符。
• <dest>: 指定源文件/目录应复制到容器镜像内部的路径。如果目标路径不存在，Docker 将创建它。如果源是目录，则目标路径必须以 / 结尾或是一个已存在的目录。

对于一个典型的机器学习 (machine learning)项目，结构上包含一个存放 Python 代码的 src 目录并且根目录下有一个 requirements.txt 文件，您可以像这样使用 COPY：

# 定义工作目录（前面已介绍）
WORKDIR /app

# 先复制 requirements 文件以利用缓存
COPY requirements.txt .

# 安装依赖（前面已介绍）
RUN pip install --no-cache-dir -r requirements.txt

# 复制项目其余代码
COPY ./src ./src

在此示例中：

1. 我们将容器内的工作目录设置为 /app。
2. 我们将 requirements.txt 从构建上下文根目录复制到镜像内的 /app 目录。
3. 我们运行 pip install。
4. 我们将本地 src 目录的内容复制到镜像内 /app 目录下的一个名为 src 的目录中（即 /app/src）。

这种顺序对于构建性能很重要，我们稍后在讨论构建缓存时会提到。

理解 ADD 指令

Docker 也提供了 ADD 指令，它的语法与 COPY 类似：

ADD <src>... <dest>

ADD 对于本地文件和目录执行与 COPY 相同的功能，但包含两个额外特性：

1. URL 获取: 如果 <src> 是一个 URL，Docker 将从该 URL 下载文件并将其复制到 <dest>。权限设置为 600。
2. 归档文件自动解压: 如果 <src> 是一个识别出的压缩归档格式（例如 tar, gzip, bzip2, xz），Docker 将自动将其解压到 <dest> 中作为一个目录。

尽管这些特性可能看起来很便利，但它们也可能使您的构建较难预测。例如，在构建过程中从 URL 下载会将镜像构建过程与网络可用性和远程源的稳定性耦合起来。自动解压有时会根据归档结构产生意外结果。

建议： 为清晰和可预测性，对于传输本地文件和目录，优先选择 COPY 而非 ADD。仅在您特别需要其 URL 下载或自动解压功能时才使用 ADD，并理解潜在影响。对于下载文件，通常更好的做法是在 RUN 指令中使用 curl 或 wget 等工具，这样可以对下载过程有更多的控制（例如，错误处理、重试）。

使用 .dockerignore 避免不需要的文件

当您运行 docker build 时，Docker 客户端首先将指定为构建上下文 (context)的目录（通常是 .）打包并发送到 Docker 守护进程。此上下文包含所有文件和子目录。发送大型、不必要的文件（例如数据集、虚拟环境、Git 历史、IDE 配置）会减慢构建过程，如果意外复制，还可能使您的镜像变得臃肿。

为防止这种情况，在您的构建上下文根目录（与 Dockerfile 相同的目录）中创建一个名为 .dockerignore 的文件。列出您要排除的文件或目录，使用类似于 .gitignore 的语法。

这是一个典型机器学习 (machine learning)项目的 .dockerignore 示例：

# Git 文件
.git
.gitignore

# Python 虚拟环境
venv/
*.pyc
__pycache__/

# IDE / 编辑器特定文件
.vscode/
.idea/
*.swp

# 大型数据文件（稍后通过卷/挂载管理）
data/
datasets/

# 模型文件（如果较大或单独管理）
models/
*.pt
*.h5
*.onnx
*.pkl

# Docker 文件
Dockerfile
.dockerignore

# 其他临时或本地文件
*.log
notebooks/output/

通过使用 .dockerignore，您可以确保只有必要的代码和配置文件被发送到守护进程，并通过 COPY 或 ADD 可用于复制到您的镜像中。这会带来更快的构建速度和更小、更安全的镜像。

优化复制操作以实现构建缓存

Docker 分层构建镜像。Dockerfile 中的每个指令（如 RUN, COPY, ADD）都会创建一个新层。Docker 会使用构建缓存：如果与 COPY 指令相关的文件自上次构建以来没有更改，并且之前的层也已缓存，Docker 会重用现有层，而不是再次执行该指令。

这对于耗时步骤（如依赖安装）尤为重要。考虑以下两种方法：

不太理想：

WORKDIR /app
COPY . . # 一次性复制所有内容
RUN pip install -r requirements.txt
# ... Dockerfile 的其余部分

如果您的项目中有任何文件发生更改（即使是微小的代码修改），COPY . . 层就会失效，Docker 必须重新运行可能耗时的 pip install 命令，即使 requirements.txt 没有更改。

更优：

WORKDIR /app

# 1. 仅复制 requirements 文件
COPY requirements.txt .

# 2. 安装依赖
RUN pip install --no-cache-dir -r requirements.txt

# 3. 复制应用程序代码的其余部分
COPY . .
# ... Dockerfile 的其余部分

在这个改进版本中：

• 如果只有您的 Python 代码（.py 文件）更改，Docker 会重用包括 RUN pip install 步骤在内的所有缓存层（因为 requirements.txt 没有更改）。它只需要重新执行最后的 COPY . . 指令，这非常快。
• 只有当 requirements.txt 文件本身被修改时，依赖安装层才会被重新构建。

经过周全考虑地组织 COPY 指令，将依赖定义与应用程序代码分开，可以显著加快迭代开发周期。

处理模型文件和其他大型文件

您应该将预训练 (pre-training)模型、数据集或其他大型文件直接 COPY 到您的镜像中吗？

• 优点： 创建一个自包含的镜像。容器启动时已包含这些文件。适用于运行时所需的小型、相对稳定的文件。
• 缺点： 显著增加镜像大小。更新文件需要重建整个镜像。共享大型镜像效率低下。如果在镜像中分发专有模型/数据，可能违反许可。

通常，对于数据集以及较大或频繁更新的模型文件，将它们直接复制到镜像中不是推荐的做法。使用 Docker 卷或绑定挂载的替代策略提供更大的灵活性和更高的效率。这些技术允许您将数据和文件与镜像本身分离，使更新更简便，并保持镜像更小。我们将在第 3 章“容器中的数据和模型管理”中详细介绍这些数据管理技术。

目前请您理解，COPY 和 ADD 对于将您的应用程序代码和配置放入镜像不可或缺。使用 .dockerignore 排除不必要的文件，并组织您的 COPY 操作，以最大限度地发挥 Docker 构建缓存的优势。