ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

Docker与容器化在机器学习项目中的应用
章节 1: Docker 机器学习核心知识
为何容器化机器学习项目?
Docker 镜像基本知识
容器生命周期管理
Dockerfile 简介
Docker 注册中心与仓库
实践操作:运行预构建的机器学习镜像
第 1 章测验
章节 2: 使用 Dockerfile 构建定制的机器学习环境
Dockerfile 的结构化方法
选择恰当的起始映像
管理 Python 依赖项 (pip)
管理 Python 依赖项 (Conda)
使用环境变量
复制代码和文件
设置工作目录和入口点
动手实践:构建 Scikit-learn 环境
第 2 章测验
章节 3: 在容器中管理数据和模型
理解容器存储
用于开发的绑定挂载
使用 Docker 卷实现数据持久化
比较绑定挂载和卷
从容器访问云存储
将模型打包到镜像中与卷的使用
动手实践:挂载数据集和保存模型
第 3 章测验
章节 4: 容器化机器学习训练流程
容器训练脚本的组织方式
传递配置和超参数
使用 docker run 运行训练任务
管理训练日志
训练的GPU加速
Docker Compose在训练环境中的应用简介
动手实践:容器化并运行训练脚本
第 4 章测验
章节 5: 机器学习模型推理的容器化
设计推理服务
构建推理API (Flask/FastAPI)
优化镜像大小:多阶段构建
减少推理时的依赖项
对外开放端口用于API访问
推理容器的健康检查
实操:容器化简单推理API
第 5 章测验
章节 6: 使用 Docker Compose 简化工作流程
Docker Compose 简介
在docker-compose.yml中定义服务
容器间网络连接
在 Compose 中使用卷
Compose 中的环境变量
使用 Compose 构建镜像
常见机器学习栈示例 (例如,API + 数据库)
动手练习:使用 Compose 构建机器学习应用
第 6 章测验

设置工作目录和入口点

在为机器学习 (machine learning)项目创建 Docker 镜像时,在完成基础镜像的建立、依赖的安装以及使用 COPY 或 ADD 等指令将项目文件复制到镜像中等任务之后,有必要定义容器启动时的行为方式。具体来说,您需要告知 Docker 命令应在容器内部何处执行,以及默认应运行哪个命令。这通过 Dockerfile 中的 WORKDIR、ENTRYPOINT 和 CMD 指令来实现。它们对于让您的容器化机器学习应用可运行且易于使用非常重要。

使用 WORKDIR 设置执行环境

WORKDIR 指令为 Dockerfile 中所有后续的 RUN、CMD、ENTRYPOINT、COPY 和 ADD 指令设置工作目录。可以将其理解为在构建和运行镜像的过程中更改当前目录 (cd)。

如果未指定 WORKDIR,Docker 会在根目录 (/) 中执行后续命令。明确设置 WORKDIR 可以使您的 Dockerfile 指令更清晰,并减少对绝对路径的依赖。

优点:

  1. 可读性: 避免在 Dockerfile 中分散使用绝对路径。
  2. 可移植性: 便于以后在镜像中重组项目结构。
  3. 一致性: 确保运行 Python 脚本等命令相对于已知项目目录执行。

示例:

假设您的宿主机上有一个机器学习 (machine learning)项目,其结构如下:

my_ml_project/
├── Dockerfile
├── requirements.txt
├── src/
│   ├── train.py
│   └── predict.py
└── data/
    └── dataset.csv

与编写 COPY src /app/src 然后 RUN python /app/src/train.py 相比,您可以使用 WORKDIR:

# Dockerfile 片段
# ... (FROM,安装依赖)

# 设置工作目录
WORKDIR /app

# 相对于 WORKDIR 复制应用程序代码
COPY src/ ./src/
COPY requirements.txt .

# 安装依赖 (pip install -r requirements.txt)

# 复制数据(可能通过卷处理更好,参阅第 3 章)
COPY data/ ./data/

# 后续命令如 CMD 或 ENTRYPOINT 将从 /app 运行
CMD ["python", "src/train.py"]

在此示例中,WORKDIR /app 会创建 /app 目录(如果不存在),并将其设置为当前目录。COPY 指令现在使用相对目标路径(./src/、.、./data/),将文件复制到 /app 中。最终的 CMD 在 /app 作为当前目录的假定下执行 python src/train.py。

使用 ENTRYPOINT 定义容器的可执行程序

ENTRYPOINT 指令将容器配置为可执行程序运行。它指定了容器启动时始终会执行的命令。提供给 docker run <image> [arguments] 的任何命令行参数 (parameter)都会附加到 ENTRYPOINT 命令之后。

ENTRYPOINT 常用于您希望容器的主要目的是运行特定应用程序或脚本的场景。

有两种形式:

  1. Exec 形式(推荐): ENTRYPOINT ["executable", "param1", "param2"]
    • 这是推荐的形式。它直接执行命令,不调用命令 shell。通过 docker run 传递的参数会直接附加在指定参数之后。
  2. Shell 形式: ENTRYPOINT command param1 param2
    • 此形式在 shell (/bin/sh -c) 中运行命令。它对于环境变量替换很有用,但在信号处理或命令包含 shell 元字符时,可能会出现意外行为。

示例 (Exec 形式):

假设您希望容器始终执行 Python 脚本。

# Dockerfile 片段
# ... (FROM、WORKDIR、COPY 等)

ENTRYPOINT ["python"]

# 如果未向 docker run 提供参数,则运行此默认脚本
CMD ["src/train.py"]

当您运行此容器时:

  • docker run my-ml-image:执行 python src/train.py(CMD 为 ENTRYPOINT 提供默认参数)。
  • docker run my-ml-image src/predict.py --model /app/models/model.pkl:执行 python src/predict.py --model /app/models/model.pkl(提供的参数会覆盖 CMD 并附加到 ENTRYPOINT 之后)。

ENTRYPOINT 确保 python 始终是主命令,使容器表现得像一个专用的 Python 脚本运行器。

使用 CMD 提供默认命令或参数 (parameter)

CMD 指令为运行中的容器提供默认值。这些默认值可以包含可执行程序,但它们通常用于为 ENTRYPOINT 指定默认参数。如果单独使用,CMD 则指定要运行的默认命令。

值得注意的是,如果用户向 docker run <image> [arguments] 提供了参数,则整个 CMD 指令都会被覆盖。

CMD 也有三种形式:

  1. Exec 形式(ENTRYPOINT 推荐): CMD ["param1","param2"](用作 ENTRYPOINT 的默认参数)
  2. Exec 形式(独立使用): CMD ["executable","param1","param2"](如果没有 ENTRYPOINT,则作为默认命令)
  3. Shell 形式: CMD command param1 param2(通过 /bin/sh -c 运行的默认命令)

用例:

  1. ENTRYPOINT 的默认参数(最常见的组合使用方式):

    WORKDIR /app
    COPY src/ ./src/
    ENTRYPOINT ["python", "src/run_experiment.py"]
    # 如果未通过 'docker run' 提供参数,则使用默认参数
    CMD ["--data", "data/dataset.csv", "--epochs", "10"]
    
    • 运行 docker run my-ml-image 会执行:python src/run_experiment.py --data data/dataset.csv --epochs 10
    • 运行 docker run my-ml-image --data data/other.csv --epochs 20 会执行:python src/run_experiment.py --data data/other.csv --epochs 20(CMD 被完全替换)。
  2. 默认命令(无 ENTRYPOINT):

    WORKDIR /app
    COPY src/ ./src/
    # 未定义 ENTRYPOINT
    CMD ["python", "src/train.py"]
    
    • 运行 docker run my-ml-image 会执行:python src/train.py
    • 运行 docker run my-ml-image python src/predict.py 会执行:python src/predict.py(整个默认 CMD 被提供的命令替换)。

有效地结合使用 ENTRYPOINT 和 CMD

最常用且功能强大的模式是使用 ENTRYPOINT 指定固定的可执行程序(如 python 或包装脚本),并使用 CMD 指定默认的、可覆盖的参数 (parameter)(如脚本名称或默认超参数 (hyperparameter))。

最佳实践:

  • 使用 WORKDIR: 始终设置 WORKDIR 以在容器内建立明确的执行环境。/app 是一个常见的约定。
  • 偏好 Exec 形式: 对 ENTRYPOINT 和 CMD 都使用 JSON 数组语法(["executable", "param1"]),以避免 shell 处理的怪异行为,并使参数处理更明确。
  • ENTRYPOINT 用于可执行程序: 如果您的容器旨在运行特定命令或表现得像一个可执行程序,请使用 ENTRYPOINT。示例:ENTRYPOINT ["python"],ENTRYPOINT ["./my_inference_server"]。
  • CMD 用于默认值: 使用 CMD 为 ENTRYPOINT 提供默认参数,或指定一个易于覆盖的默认命令。示例:CMD ["my_script.py", "--default-flag"]。

通过仔细定义 WORKDIR、ENTRYPOINT 和 CMD,您可以创建不仅可重现而且行为可预测、用户友好的 Docker 镜像,无论是运行训练任务还是部署模型。它们定义了与容器化机器学习 (machine learning)应用程序交互的界面。

  • Dockerfile reference, Docker, Inc., 2024 (Docker, Inc.) - 官方文档,详细介绍了所有 Dockerfile 指令,包括 WORKDIR、ENTRYPOINT 和 CMD 的语法和用法示例。
  • Docker: Up & Running: Shipping Reliable Containers in Production, Sean P. Kane, Karl Matthias, 2018 (O'Reilly Media, Inc.) - 一份实用指南,解释了 Docker 概念、Dockerfile 和生产环境中的容器化,有助于理解指令的上下文。
  • Best practices for writing Dockerfiles, Docker, Inc., 2024 (Docker, Inc.) - 提供关于 Dockerfile 结构、提高效率以及有效管理 WORKDIR、ENTRYPOINT 和 CMD 等指令的官方建议和模式。

© 2026 ApX Machine Learning