趋近智
趋近智
本实践练习通过引导您完成一个完整的工作流程：将一个简单的模型服务应用打包成 Docker 容器，然后将其部署到本地 Kubernetes 集群。您将编写 Docker 和 Kubernetes 所需的配置档案，使用 kubectl 来管理应用，最后，测试实际运行的端点。此过程反映了将机器学习 (machine learning)服务迁移到生产环境的常见方式。
开始之前，请确保您的机器上已安装并配置以下工具：
kubectl version --client 来验证其安装情况。我们将使用一个简单的 Flask Web 应用，它提供来自预训练 (pre-training) Scikit-learn 模型的预测。该模型是一个在 Iris 数据集上训练的经典分类器。目标是保持应用简单，以便我们将注意力放在部署架构上。
首先，为此项目创建一个名为 iris-k8s-app 的新目录。在该目录中，创建以下三个档案。
1. model.joblib
您无需自行创建此档案。本次练习中，我们假设您有一个已保存的预训练模型。其具体内容不重要，只需我们的 Python 脚本能够加载它即可。
2. requirements.txt
此档案列出了我们的应用所需的 Python 库。
flask==2.2.2
scikit-learn==1.1.2
joblib==1.2.0
numpy==1.23.4
3. app.py
这是我们的 Python 脚本。它加载模型并创建一个 Flask Web 服务器，带有一个 /predict 端点，该端点接受包含花卉测量数据的 POST 请求并返回预测结果。
import joblib
import numpy as np
from flask import Flask, request, jsonify
# 初始化 Flask 应用
app = Flask(__name__)
# 加载预训练模型
# 在实际场景中，您会有这个模型档案。
# 本实验中，我们将模拟它的存在和加载。
# model = joblib.load('model.joblib')
@app.route('/predict', methods=['POST'])
def predict():
try:
# 从请求中获取 JSON 数据
data = request.get_json(force=True)
# 提取特征并转换为模型所需的 numpy 数组
# 期望包含 4 个浮点数的列表：[萼片长度, 萼片宽度, 花瓣长度, 花瓣宽度]
features = np.array(data['features']).reshape(1, -1)
# 模拟预测，因为我们没有实际的模型档案。
# 在实际运行中，这将是：prediction = model.predict(features)
# 我们将基于花瓣长度（特征索引 2）模拟一个预测
if features[0, 2] < 2.5:
prediction_result = 'setosa'
else:
prediction_result = 'versicolor_or_virginica'
# 以 JSON 格式返回预测结果
return jsonify({'prediction': prediction_result})
except Exception as e:
return jsonify({'error': str(e)}), 400
if __name__ == '__main__':
# 在主机 0.0.0.0 上运行应用，使其可从容器内访问
app.run(host='0.0.0.0', port=5000)
模型说明： Python 代码中包含一行
joblib.load，该行被注释掉并替换为模拟逻辑。这简化了实验，消除了下载或训练模型的需要，使我们能够完全专注于容器化和编排步骤。
第一步是创建一个 Dockerfile，它定义了如何构建包含我们的应用及其依赖项的镜像。
在您的项目目录中创建一个名为 Dockerfile 的档案，内容如下：
# 从精简的 Python 基础镜像开始
FROM python:3.9-slim
# 设置容器内的工作目录
WORKDIR /app
# 将 requirements 档案复制到容器中
COPY requirements.txt .
# 安装 Python 依赖项
RUN pip install --no-cache-dir -r requirements.txt
# 将应用的其余代码复制到容器中
COPY . .
# 暴露应用运行的端口
EXPOSE 5000
# 定义运行应用的命令
CMD ["python", "app.py"]
现在，在 iris-k8s-app 目录中打开您的终端，运行以下命令来构建镜像。我们将它标记 (token)为 iris-app:v1。
docker build -t iris-app:v1 .
构建完成后，您可以通过在本地运行容器来验证它。
docker run -p 5000:5000 iris-app:v1
您应该会看到 Flask 的输出，表示服务器正在运行。您可以使用 Ctrl+C 停止它。
Kubernetes 的 Deployment 是一种资源对象，用于管理一组相同的 Pod。它确保指定数量的应用副本正在运行，并处理更新或回滚。
创建一个名为 deployment.yaml 的档案，内容如下：
apiVersion: apps/v1
kind: Deployment
metadata:
name: iris-deployment
spec:
replicas: 2
selector:
matchLabels:
app: iris-server
template:
metadata:
labels:
app: iris-server
spec:
containers:
- name: iris-app-container
image: iris-app:v1
imagePullPolicy: IfNotPresent
ports:
- containerPort: 5000
我们来拆解此档案：
replicas: 2：指示 Kubernetes 维护我们应用的两个运行实例（Pod），以确保可用性。selector：这告诉 Deployment 要管理哪些 Pod。它会查找带有标签 app: iris-server 的 Pod。template：此部分定义将要创建的 Pod。它包含：
metadata.labels：一个标签 app: iris-server 被附加到每个 Pod。这是选择器找到它们的方式。spec.containers：定义要在 Pod 内运行的容器。image: iris-app:v1：指定要使用的 Docker 镜像。imagePullPolicy: IfNotPresent：告诉 Kubernetes 如果本地存在镜像则使用它，而不是尝试从远程注册表拉取。这对于本地开发很有用。containerPort: 5000：通知 Kubernetes 容器在端口 5000 监听。Kubernetes 中的 Pod 是短暂的，并且其内部 IP 地址可能发生变化。为了提供一个稳定的网络端点来访问我们的应用，我们使用 Service。
我们将使用 NodePort 服务类型，它在集群中每个节点的一个静态端口上暴露应用。这是一种在开发过程中访问应用的直接方式。
创建一个名为 service.yaml 的档案：
apiVersion: v1
kind: Service
metadata:
name: iris-service
spec:
type: NodePort
selector:
app: iris-server
ports:
- protocol: TCP
port: 80
targetPort: 5000
以下是此档案定义的内容：
type: NodePort：在集群节点的 IP 地址上的一个特定端口暴露此服务。selector：这是关键的连接。该服务将把流量路由到任何带有 app: iris-server 标签的 Pod，这与我们的 Deployment 创建的 Pod 相匹配。ports：此部分映射网络端口。它表明服务将在端口 80 上接受流量，并将其转发到所选 Pod 上的 targetPort: 5000。我们创建的 Kubernetes 对象之间的关系。用户向稳定的服务发送请求，然后该服务将流量转发到由 Deployment 管理的任意 Pod。
镜像构建完成且清单档案已编写好，您现在可以部署应用了。对每个档案运行 kubectl apply 命令。
# 应用部署配置
kubectl apply -f deployment.yaml
# 应用服务配置
kubectl apply -f service.yaml
您可以检查资源的状态：
# 检查部署是否正在进行
kubectl get deployment
# 预期输出：
# NAME READY UP-TO-DATE AVAILABLE AGE
# iris-deployment 2/2 2 2 15s
# 检查两个 Pod 是否正在运行
kubectl get pods
# 预期输出：
# NAME READY STATUS RESTARTS AGE
# iris-deployment-5c68f6d787-abcde 1/1 Running 0 25s
# iris-deployment-5c68f6d787-fghij 1/1 Running 0 25s
# 检查服务是否已创建
kubectl get service iris-service
# 预期输出：
# NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
# iris-service NodePort 10.101.102.103 <none> 80:31234/TCP 35s
请注意服务的 PORT(S) 列。集群已分配一个高位端口（例如，31234），它映射到服务的内部端口 80。这就是您将用于访问应用的端口。
要测试服务，您需要集群节点的 IP 地址和 NodePort。对于本地集群，IP 通常是 localhost，或者可以通过 minikube ip 找到。
如果使用 Minikube，您可以通过一个命令获取完整的 URL：
minikube service iris-service --url
这将输出一个类似 http://192.168.49.2:31234 的 URL。
现在，使用 curl 向您服务的 /predict 端点发送一个带有示例数据的 POST 请求。使用您在上一步中获得的 URL。
curl -X POST \
-H "Content-Type: application/json" \
-d '{"features": [5.1, 3.5, 1.4, 0.2]}' \
http://<YOUR_NODE_IP>:<YOUR_NODE_PORT>/predict
您应该会从在您的某个 Pod 内运行的模型收到一个 JSON 响应：
{"prediction":"setosa"}
恭喜您，您已成功地将一个机器学习 (machine learning)应用容器化并部署到 Kubernetes 上。
要从集群中移除资源，请使用 kubectl delete 命令，并带上相同的清单档案。
kubectl delete -f service.yaml
kubectl delete -f deployment.yaml
本实验说明了将机器学习 (machine learning)模型部署为可伸缩、可管理服务的常见模式。通过在 YAML 档案中声明式地定义您的应用，您可以轻松地在任何 Kubernetes 环境中复制、伸缩和管理您的部署。
这部分内容有帮助吗？
© 2026 ApX Machine LearningAI伦理与透明度•