Dockerización de la API del modelo
Dockerfile para FastAPI + modelo, compilaciones multietapa, endpoint de comprobación de estado y docker-compose.
Dockerización de la API del modelo es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Por qué Docker?
Docker empaqueta su API, su versión de Python y todas sus dependencias en una única imagen portable que se ejecuta de forma idéntica en cualquier máquina. Acaba con los problemas de «en mi máquina funciona» y es la forma estándar de distribuir servicios de ML.
El Dockerfile
Un Dockerfile es una receta de pasos de compilación. Cada instrucción crea una capa almacenada en caché, por lo que ordenar bien los pasos acelera las reconstrucciones.
FROM python:3.11-slim
La línea FROM selecciona una imagen base. python:3.11-slim es una imagen pequeña de Debian con Python preinstalado, mucho más ligera que la imagen completa, lo que reduce el tamaño final y la superficie de ataque.
FROM python:3.11-slimWORKDIR /app
WORKDIR establece el directorio de trabajo dentro del contenedor; los comandos COPY y RUN posteriores operan de forma relativa a él, lo que mantiene las rutas ordenadas.
WORKDIR /appCopiar primero los requisitos
Copie únicamente requirements.txt antes del código fuente. Como Docker almacena las capas en caché, las dependencias solo se reinstalan cuando cambian los requisitos, no en cada modificación del código, lo que acelera considerablemente las reconstrucciones.
COPY requirements.txt .RUN pip install --no-cache-dir
RUN ejecuta un comando de compilación. --no-cache-dir omite la caché de descargas de pip para que la imagen sea más pequeña (la caché no sirve de nada dentro de una imagen).
RUN pip install --no-cache-dir -r requirements.txtCopiar el código fuente
Ahora copie el resto de la aplicación. Al hacerlo después de la instalación de pip, editar el código no invalida la capa de dependencias almacenada en caché.
COPY . .EXPOSE 8000
EXPOSE documenta en qué puerto escucha el contenedor. No publica el puerto por sí mismo (eso se hace durante la ejecución con -p), pero indica la intención a los lectores y las herramientas.
EXPOSE 8000La instrucción CMD
CMD define el comando predeterminado que se ejecuta cuando se inicia el contenedor. Aquí iniciamos uvicorn vinculándolo a 0.0.0.0 para que sea accesible desde fuera del contenedor.
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]El Dockerfile completo
Todas las piezas en el orden correcto y favorable para la caché:
FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8000
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]Compilar y ejecutar
Compile la imagen con una etiqueta y, después, ejecútela asignando el puerto del contenedor a su equipo mediante -p.
# terminal
docker build -t model-api .
docker run -p 8000:8000 model-apiComprobación rápida
Compruebe sus conocimientos sobre Docker.
Resumen
Dockerizó la API: FROM python:3.11-slim, WORKDIR /app, copiar primero requirements.txt, RUN pip install --no-cache-dir, copiar el código fuente, EXPOSE 8000 y un CMD que inicia uvicorn. Ordenar los pasos para aprovechar la caché de capas mantiene rápidas las reconstrucciones. Con esto termina el curso sobre cómo servir modelos con FastAPI y este lote de contenido.
Preguntas frecuentes
¿La lección «Dockerización de la API del modelo» es gratis?
Sí — el texto completo de «Dockerización de la API del modelo» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «Dockerización de la API del modelo»?
Dockerfile para FastAPI + modelo, compilaciones multietapa, endpoint de comprobación de estado y docker-compose. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.
¿Cuánto tiempo toma la lección «Dockerización de la API del modelo»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Fundamentos de FastAPI para ingenieros de ML
- Esquemas de Pydantic para solicitudes y respuestas
- Carga y servicio de modelos de ML
- Dockerización de la API del modelo