趋近智
趋近智
将机器学习 (machine learning)模型打包成独立、可移植的 Docker 容器是现代模型部署的基本技能。本指南演示了如何结合 Docker 容器化技术，并将模型包装在 Web API 中来实现这一目标。
我们的目标是将预训练 (pre-training)模型、提供服务的 Web 应用程序及其所有依赖项捆绑到一个称为 Docker 镜像的单元中。通过这个镜像，我们可以启动一个容器，将模型作为一个隔离的服务运行。
在开始之前，请确保您的计算机上已安装并运行了 Docker Desktop。您可以从 Docker 官方网站下载。
我们将为本次练习创建几个文件。让我们为项目建立一个新目录，以保持条理性。
简单模型部署项目的文件结构。
首先，我们需要准备打包的内容。我们将使用一个简单的 scikit-learn 模型和一个 Flask 应用程序来提供服务。您不需要亲自训练模型；在本次练习中，我们假设您已经有一个 model.pkl 文件。
模型文件 (model.pkl)
在本指南中，model.pkl 代表一个简单的预训练 (pre-training)回归模型。它接收四个数值特征作为输入，并返回一个预测结果。
应用程序 (app.py)
这个 Python 脚本使用 Flask 框架创建一个简单的 Web 服务器。它加载 model.pkl 文件并提供一个 /predict 端点，该端点接收包含 JSON 数据的 POST 请求。
创建一个名为 app.py 的文件并添加以下代码：
import joblib
from flask import Flask, request, jsonify
# 1. 初始化 Flask 应用
app = Flask(__name__)
# 2. 加载预训练模型
# 仅在应用启动时加载一次
model = joblib.load('model.pkl')
# 3. 定义预测端点
@app.route('/predict', methods=['POST'])
def predict():
"""
接收包含 JSON 数据的 POST 请求，
运行模型并返回预测结果。
"""
try:
# 从请求中获取 JSON 数据
data = request.get_json()
# 'features' 键应包含一个数字列表
features = data['features']
# 运行预测
prediction = model.predict([features])
# 以 JSON 格式返回结果
return jsonify({'prediction': prediction[0]})
except Exception as e:
# 处理错误，例如输入格式错误
return jsonify({'error': str(e)}), 400
# 4. 启动 Flask 服务器
if __name__ == '__main__':
# 服务器可以通过 http://0.0.0.0:5000 访问
app.run(host='0.0.0.0', port=5000)
依赖项 (requirements.txt)
我们的应用程序依赖于 scikit-learn（用于模型）和 Flask（用于 Web 服务器）。我们必须在 requirements.txt 文件中列出这些依赖项，以便 Docker 知道需要安装什么。
创建一个名为 requirements.txt 的文件：
scikit-learn==1.0.2
Flask==2.1.2
joblib==1.1.0
注意：使用特定版本是确保可复现性的良好做法。您的应用程序将始终使用这些确切的库版本构建，从而避免库更新带来的意外情况。
Dockerfile 是一个文本文件，包含构建 Docker 镜像的一系列指令。它就像是创建应用程序环境的食谱。
在项目目录中创建一个名为 Dockerfile（无扩展名）的文件，并添加以下指令。我们将在下方说明每一行的作用。
# 使用官方 Python 运行时作为父镜像
FROM python:3.9-slim
# 设置容器内的当前目录
WORKDIR /app
# 先复制需求文件以利用 Docker 缓存
COPY requirements.txt .
# 安装 requirements.txt 中指定的任何所需软件包
RUN pip install --no-cache-dir -r requirements.txt
# 复制应用程序的其余代码
COPY . .
# 暴露应用运行的端口
EXPOSE 5000
# 定义运行应用程序的命令
CMD ["python", "app.py"]
让我们分解每条指令的功能：
FROM python:3.9-slim：每个 Docker 镜像都从基础镜像开始。这里我们使用官方 Python 3.9 镜像。-slim 版本体积较小，可以得到更轻量的最终镜像。WORKDIR /app：这会将容器内部的工作目录设置为 /app。后续的所有命令（COPY、RUN、CMD）都将在此目录下执行。COPY requirements.txt .：我们将 requirements.txt 文件复制到容器的工作目录中。我们在复制其余代码 之前 执行此操作，是为了利用 Docker 的分层缓存。如果 Python 代码发生了变化但依赖项没变，Docker 可以复用未改变的层，从而使后续构建速度快得多。RUN pip install --no-cache-dir -r requirements.txt：此命令在镜像内部执行 pip install，安装 requirements.txt 文件中列出的所有库。--no-cache-dir 标志通过不存储下载缓存来减小镜像体积。COPY . .：这将本地项目目录（构建上下文 (context)）中的所有剩余文件复制到容器的工作目录（/app）中。这包括 app.py 和 model.pkl。EXPOSE 5000：此指令通知 Docker 容器在运行时监听指定的网络端口。它主要用于文档说明，实际上并不会发布端口。CMD ["python", "app.py"]：这指定了从该镜像启动容器时运行的默认命令。在我们的例子中，它通过运行 python app.py 来启动 Flask Web 服务器。使用
Dockerfile构建静态“镜像”，然后使用该镜像启动一个或多个运行中“容器”的过程。
既然有了 Dockerfile，我们就可以用它来构建镜像。打开终端或命令提示符，进入项目目录，运行以下命令：
docker build -t my-ml-app .
让我们分析一下这个命令：
docker build：从 Dockerfile 构建镜像的命令。-t my-ml-app：-t 标志代表“标签（tag）”。它为我们的镜像命名，方便以后引用。我们将其命名为 my-ml-app。.：最后这个点告诉 Docker 在当前目录中查找 Dockerfile。该目录也是“构建上下文 (context)”，这里的所有文件都会发送给 Docker 守护进程用于构建过程。Docker 现在将逐步执行 Dockerfile 中的指令。您将看到每一层构建的输出。
构建完成后，您的本地计算机上就有了一个名为 my-ml-app 的 Docker 镜像。您可以通过运行 docker images 查看它。
现在，让我们从这个镜像运行一个容器：
docker run -p 5001:5000 my-ml-app
该命令的作用如下：
docker run：启动新容器的命令。-p 5001:5000：这是端口映射标志。它将本地计算机（宿主机）上的端口 5001 映射到容器内部的端口 5000。我们的 Flask 应用在容器内监听 5000 端口，通过此映射，可以从宿主机的 5001 端口访问它。my-ml-app：用于创建容器的镜像名称。您应该会看到来自 Flask 服务器的输出，表明它已启动并正在监听 http://0.0.0.0:5000。
您的模型现在运行在一个隔离的容器中，并且可以在本地访问。让我们向它发送一个预测请求。
打开一个新终端窗口（保持运行容器的窗口开启），使用 curl 之类的工具发送 POST 请求：
curl -X POST \
-H "Content-Type: application/json" \
-d '{"features": [1.5, 2.5, 3.5, 4.5]}' \
http://localhost:5001/predict
如果一切运行正常，您将收到来自模型的 JSON 响应，如下所示：
{"prediction":15.5}
注意：确切的预测值取决于您使用的
model.pkl文件。其重点在于收到了有效的 JSON 响应。
祝贺您！您已成功将机器学习 (machine learning)模型和 Web 应用程序打包到 Docker 容器中并提供了预测服务。这个容器现在是一个可移植的产物。您可以将其推送到容器镜像仓库，并在任何安装了 Docker 的机器上运行，且能确保环境和依赖项完全一致。
这部分内容有帮助吗？
© 2026 ApX Machine LearningAI伦理与透明度•