Dockerizzare modelli di apprendimento automatico una guida alla distribuzione
Dockerizzare modelli di apprendimento automatico una guida alla distribuzione
Nel dominio in rapida evoluzione del machine learning (ML), la capacità di impacchettare e distribuire in modo efficiente i modelli è tanto importante quanto lo sviluppo dei modelli stessi. La containerizzazione si è rivelata la soluzione rivoluzionaria a questo problema, offrendo un percorso snello dall’ambiente di sviluppo locale alla produzione. Docker, una piattaforma leader nella containerizzazione, fornisce gli strumenti necessari per incapsulare le applicazioni di ML in container portatili e scalabili.
Questo articolo esplora il processo passo-passo della containerizzazione di una semplice applicazione di ML con Docker, rendendolo accessibile sia agli operatori di ML che agli appassionati. Che tu stia cercando di condividere i tuoi modelli di ML con il mondo o stia cercando una strategia di distribuzione più efficiente, questo tutorial è progettato per dotarti delle competenze fondamentali per trasformare i tuoi flussi di lavoro di ML utilizzando Docker.
Docker e Containerizzazione
Docker è una potente piattaforma che ha rivoluzionato lo sviluppo e la distribuzione di applicazioni utilizzando la containerizzazione, un’alternativa leggera alla virtualizzazione dell’intera macchina. La containerizzazione implica l’incapsulamento di un’applicazione e del suo ambiente – dipendenze, librerie e file di configurazione – in un container, che è un’unità software portatile e coerente. Questo approccio garantisce che l’applicazione venga eseguita in modo uniforme e coerente su qualsiasi infrastruttura, dal laptop di un programmatore a un server basato su cloud ad alta potenza di calcolo.
A differenza delle tradizionali macchine virtuali che replicano un intero sistema operativo, i container Docker condividono il kernel del sistema host, rendendoli molto più efficienti, veloci all’avvio e meno intensivi in termini di risorse. La sintassi semplice e lineare di Docker nasconde la complessità spesso coinvolta nei processi di distribuzione, semplificando il flusso di lavoro e consentendo un approccio DevOps alla gestione del ciclo di vita del processo di sviluppo software.
- Bard Il nuovo concorrente di ChatGPT
- 5 corsi universitari gratuiti su Data Analytics
- Perché ho lasciato il mio dottorato in Intelligenza Artificiale
Tutorial
Di seguito c’è un tutorial passo-passo che ti guiderà attraverso il processo di containerizzazione di una semplice applicazione di ML utilizzando Docker.
Preparazione dell’ambiente di sviluppo
Prima di iniziare, assicurati di avere Docker installato sul tuo computer. Se non lo hai ancora, puoi scaricarlo dal sito web di Docker.
Creazione di una semplice applicazione di machine learning
Per questo tutorial, creiamo un’applicazione Python semplice che utilizza la libreria Scikit-learn per addestrare un modello sul dataset Iris.
Creazione di una directory del progetto
Apri il tuo terminale o prompt dei comandi e esegui il seguente comando:
Creazione di un ambiente virtuale Python (opzionale, ma consigliato)
Se utilizzi Windows utilizza il comando venv\Scripts\activate
Creazione del file requirements.txt
Elenca i pacchetti Python necessari per la tua applicazione. Per la nostra semplice applicazione di ML:
Creazione del file di applicazione di machine learning
Salva il seguente codice in un file chiamato app.py nella directory ml-docker-app:
Installazione delle dipendenze
Esegui il seguente comando per installare le dipendenze elencate in requirements.txt:
Avvio dell’applicazione
Esegui l’applicazione per assicurarti che funzioni:
Dovresti vedere l’accuratezza del modello stampato sulla console e un file chiamato iris_model.pkl creato, che contiene il modello addestrato.
Questo script fornisce un flusso completo di un compito di machine learning molto semplice: caricamento dei dati, pre-elaborazione, addestramento di un modello, valutazione del modello e salvataggio del modello addestrato per utilizzi futuri.
Containerizzare l’applicazione con Docker
Creazione di un ‘Dockerfile’
Nella radice della directory ml-docker-app, crea un file chiamato Dockerfile con il seguente contenuto:
Creazione dell’immagine Docker
Esegui il seguente comando nel tuo terminale per creare l’immagine Docker:
Esecuzione del container Docker
Una volta costruita l’immagine, esegui la tua applicazione in un container Docker:
Se tutto è configurato correttamente, Docker eseguirà il tuo script Python all’interno di un container e dovresti vedere l’accuratezza dell’output del modello nel tuo terminale, proprio come quando hai eseguito lo script in modo nativo.
Tagga e Pusha il Container su DockerHub
Effettua il login su Docker Hub dalla riga di comando
Una volta che hai un account Docker Hub, devi effettuare il login tramite la riga di comando sul tuo computer locale. Apri il tuo terminale ed esegui:
Ti verrà chiesto di inserire il tuo ID Docker e la password. Una volta effettuato correttamente il login, potrai pushare le immagini nel tuo repository Docker Hub.
Tagga la tua immagine Docker
Prima di poter pushare un’immagine su Docker Hub, devi assegnarle un tag con il tuo nome utente Docker Hub. Se non lo tagghi correttamente, Docker non saprà dove pushare l’immagine.
Assumendo che il tuo ID Docker sia un nome utente e che desideri chiamare la tua immagine Docker ml-docker-app, esegui:
Questo taggherà l’immagine locale ml-docker-app come username/ml-docker-app, preparandola per essere pushata nel tuo repository Docker Hub.
Pusha l’immagine su Docker Hub
Per pushare l’immagine su Docker Hub, utilizza il comando docker push seguito dal nome dell’immagine che desideri pushare:
Docker caricherà l’immagine nel tuo repository Docker Hub.
Verifica l’immagine del container pushato su Docker Hub
Puoi visitare il tuo repository Docker Hub e vedere l’immagine pushata di recente.
Ecco tutto! Hai containerizzato con successo una semplice applicazione di machine learning, l’hai pushata su Docker Hub e l’hai resa disponibile per essere pullata ed eseguita ovunque.
