Lakukan Docker & Terapkan model Machine Learning Anda
Di dunia teknologi yang terus berkembang ini, buruh pelabuhan telah terkenal dalam pengembangan, pengiriman, pengujian, dan menjalankan aplikasi lebih cepat dari sebelumnya sambil tetap mempertahankan kendali penuh atas infrastruktur.
Artikel ini akan membantu Anda membuat image buruh pelabuhan berbasis model pembelajaran mesin dasar dan menjalankannya sebagai container. Untuk ini, kita akan menggunakan flask sebagai framework web kita karena sifatnya yang cukup ringan.
Alur Kerja Utama :
- Menyimpan model ML: Setelah model Anda berhasil dilatih, kami perlu menyimpan model tersebut agar lebih mudah digunakan. Kita dapat menyimpan model dalam bentuk file acar /.HDF5 atau format berbasis perpustakaan lainnya.
- Inferensi:File model yang disimpan perlu diakses secara eksternal dan tanpa banyak usaha, oleh karena itu kami membuatnya dapat diakses melalui API menggunakan flask.
- Containerize:Keseluruhan aplikasi kemudian dimasukkan ke dalam container menggunakan buruh pelabuhan dan siap dikirim.
Untuk Menyimpan model ML dan alur kerja Inferensi, silakan lihat artikel saya yang lain yang terutama berfokus pada penerapan model ML pada flask.
Setelah Anda berhasil menerapkan langkah-langkah di atas, Anda seharusnya sudah memiliki aplikasi flask yang berfungsi penuh dan memiliki titik akhir yang terhubung ke model ML.
Struktur folder Anda akan terlihat seperti ini
Folder Aplikasi Saya
— loading_n_inferencing.py
— training_n_pickling.py
— my_model.pkl
Pemasangan:
Untuk memasukkan aplikasi kita ke dalam container, kita memerlukan beberapa file tambahan:
persyaratan.txt
file buruh pelabuhan
- persyaratan.txt
File ini harus berisi semua paket yang diperlukan aplikasi Anda agar dapat berjalan dengan lancar.
Paket juga dapat berisi versi seperti Flask==2.0.2 untuk menginstal versi tertentu.
2. File Docker
Berisi semua petunjuk langkah demi langkah untuk membuat image buruh pelabuhan.
Petunjuk:
FROM python:3 = Mewarisi gambar python 3 dan menginstal pada gambar buruh pelabuhan kami.
RUN apt-get update = Perbarui semua paket ke versi terbaru.
EXPOSE 5000 = Mengekspos port tertentu dengan protokol tertentu ke dunia luar.
WORKDIR /app = Mengatur direktori root untuk aplikasi kita.
COPY requirements.txt . = Menyalin “requirements.txt” ke dalam direktori kerja
JALANKAN pip install -U -r requiremen.txt= Instal paket python yang diperlukan.
SALINAN . /app= Salin semua file ke folder aplikasi
CMD python3 loading_n_inferencing.py = Jalankan perintah “python3 loading_n_inferencing.py ”
Bangun Gambar Docker
Untuk membangun image buruh pelabuhan, kita dapat menekan perintah berikut dari command prompt.
docker image build -t my_image_name .
Catatan : Jangan lupa menambahkan titik di akhir.
Anda dapat mengonfirmasi gambar dengan menggunakan perintah
docker image ls
Jalankan pada sebuah wadah
Sekarang kita dapat menjalankan gambar pada sebuah container. Untuk mencapainya, kami menggunakan perintah berikut
docker run -p 6000:5000 -d my_image_name
Di sini 6000 adalah port_1 tempat aplikasi dialokasikan pada mesin kita. Pada dasarnya port tersebut mengikat untuk pengguna eksternal.
5000 adalah port_2 tempat aplikasi berjalan di dalam container.
Perintah berikut dapat digunakan untuk memeriksa status kontainer
docker ps
Sirip
Kontainer kita sekarang berjalan dan aplikasi mendengarkan di localhost:6000.
JSON dari permintaan yang berisi data yang akan diprediksi akan terlihat seperti ini
{ “data” : [1,2,3,4] }
Setelah Anda menekan URL dengan data yang diperlukan, prediksi dikembalikan sebagai respons.
Semoga artikel ini membantu Anda menerapkan aplikasi Anda :-)