0Pricing
Learn AI with Python · 강의

모델 API를 Docker 컨테이너로 만들기

FastAPI와 모델을 위한 Dockerfile, 다단계 빌드, 상태 확인 엔드포인트, docker-compose를 다룹니다.

모델 API를 Docker 컨테이너로 만들기은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 4번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

Docker를 사용하는 이유

Docker는 API와 Python 버전, 모든 종속성을 어느 컴퓨터에서나 동일하게 실행되는 하나의 이식 가능한 이미지로 패키징합니다. 이를 통해 '내 컴퓨터에서는 작동해요' 문제를 없애며, ML 서비스를 배포하는 표준적인 방법입니다.

Dockerfile

Dockerfile은 빌드 단계로 구성된 레시피입니다. 각 명령이 캐시된 레이어를 생성하므로 단계를 잘 정렬하면 다시 빌드하는 속도가 빨라집니다.

FROM python:3.11-slim

FROM 줄은 기본 이미지를 선택합니다. python:3.11-slim은 Python이 미리 설치된 작은 Debian 이미지로, 전체 이미지보다 훨씬 가볍습니다. 따라서 최종 크기와 공격 표면을 줄일 수 있습니다.

FROM python:3.11-slim

WORKDIR /app

WORKDIR은 컨테이너 내부의 작업 디렉터리를 설정합니다. 이후의 COPY 및 RUN 명령은 이 디렉터리를 기준으로 실행되므로 경로를 깔끔하게 유지할 수 있습니다.

WORKDIR /app

requirements 먼저 복사하기

소스 코드보다 먼저 requirements.txt만 복사하세요. Docker는 레이어를 캐시하므로 코드를 수정할 때마다가 아니라 요구 사항이 변경될 때만 종속성을 다시 설치합니다. 따라서 다시 빌드하는 속도가 크게 빨라집니다.

COPY requirements.txt .

RUN pip install --no-cache-dir

RUN은 빌드 명령을 실행합니다. --no-cache-dir은 pip 다운로드 캐시를 건너뛰어 이미지 크기를 줄입니다. 어차피 이미지 내부에서는 이 캐시가 필요하지 않습니다.

RUN pip install --no-cache-dir -r requirements.txt

소스 코드 복사하기

이제 애플리케이션의 나머지 부분을 복사합니다. pip 설치 후에 이 작업을 수행하면 코드를 수정해도 캐시된 종속성 레이어가 무효화되지 않습니다.

COPY . .

EXPOSE 8000

EXPOSE는 컨테이너가 수신 대기하는 포트를 문서화합니다. 포트를 직접 공개하지는 않습니다. 포트 공개는 실행 시 -p로 수행합니다. 대신 독자와 도구에 의도를 알립니다.

EXPOSE 8000

CMD 명령

CMD는 컨테이너가 시작될 때 실행되는 기본 명령을 정의합니다. 여기서는 0.0.0.0에 바인딩하여 컨테이너 외부에서도 접근할 수 있도록 uvicorn을 실행합니다.

CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

완성된 Dockerfile

모든 구성 요소를 올바르고 캐시 친화적인 순서로 배치합니다.

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"]

빌드하고 실행하기

태그를 지정하여 이미지를 빌드한 다음, -p로 컨테이너 포트를 호스트에 매핑하여 실행합니다.

# terminal
docker build -t model-api .
docker run -p 8000:8000 model-api

빠른 확인

Docker 지식을 테스트해 보세요.

복습

API를 도커화했습니다. FROM python:3.11-slim, WORKDIR /app, requirements.txt를 먼저 복사하는 단계, RUN pip install --no-cache-dir, 소스 복사, EXPOSE 8000, 그리고 uvicorn을 실행하는 CMD를 구성했습니다. 레이어 캐싱을 고려해 단계의 순서를 정하면 다시 빌드하는 속도가 빨라집니다. 이것으로 FastAPI 모델 제공 과정과 이번 콘텐츠 묶음이 모두 끝납니다.

자주 묻는 질문

“모델 API를 Docker 컨테이너로 만들기” 강의는 무료인가요?

네 — “모델 API를 Docker 컨테이너로 만들기” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“모델 API를 Docker 컨테이너로 만들기”에서 뭘 배우나요?

FastAPI와 모델을 위한 Dockerfile, 다단계 빌드, 상태 확인 엔드포인트, docker-compose를 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 4번째 강의입니다.

“모델 API를 Docker 컨테이너로 만들기” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

  1. 머신러닝 엔지니어를 위한 FastAPI 기초
  2. 요청과 응답을 위한 Pydantic 스키마
  3. 머신러닝 모델 로드 및 제공
  4. 모델 API를 Docker 컨테이너로 만들기
← Learn AI with Python(으)로 돌아가기