Menyediakan API Model dalam Docker
Dockerfile untuk FastAPI + model, binaan berbilang peringkat, titik akhir pemeriksaan kesihatan, docker-compose.
Menyediakan API Model dalam Docker ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 4 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Mengapa Docker?
Docker membungkus API anda, versi Python dan semua kebergantungan ke dalam satu imej mudah alih yang berjalan sama pada mana-mana mesin. Docker menghapuskan masalah "berfungsi pada komputer riba saya" dan merupakan cara piawai untuk menghantar perkhidmatan pembelajaran mesin.
Dockerfile
Dockerfile ialah resipi langkah pembinaan. Setiap arahan mencipta lapisan yang dicache, jadi penyusunan langkah yang baik mempercepat pembinaan semula.
FROM python:3.11-slim
Baris FROM memilih imej asas. python:3.11-slim ialah imej Debian kecil dengan Python yang telah dipasang, jauh lebih ringan daripada imej penuh, lalu mengecilkan saiz akhir dan permukaan serangan anda.
FROM python:3.11-slimWORKDIR /app
WORKDIR menetapkan direktori kerja di dalam bekas; arahan COPY dan RUN yang berikutnya beroperasi secara relatif kepadanya, menjadikan laluan lebih teratur.
WORKDIR /appSalin requirements.txt Dahulu
Salin requirements.txt sahaja sebelum kod sumber. Oleh sebab Docker mencache lapisan, kebergantungan hanya dipasang semula apabila keperluan berubah, bukannya pada setiap pengeditan kod, lalu mempercepat pembinaan semula dengan ketara.
COPY requirements.txt .RUN pip install --no-cache-dir
RUN melaksanakan arahan pembinaan. --no-cache-dir melangkau cache muat turun pip supaya imej kekal lebih kecil; cache tersebut tidak berguna di dalam imej.
RUN pip install --no-cache-dir -r requirements.txtSalin Kod Sumber
Sekarang salin bahagian lain aplikasi anda. Melakukannya selepas pemasangan pip bermakna pengeditan kod tidak membatalkan lapisan kebergantungan yang dicache.
COPY . .EXPOSE 8000
EXPOSE mendokumentasikan port yang didengari oleh bekas. Arahan ini tidak menerbitkan port itu sendiri; anda melakukannya semasa menjalankan bekas dengan -p, tetapi ia menyampaikan tujuan kepada pembaca dan alat.
EXPOSE 8000Arahan CMD
CMD mentakrifkan arahan lalai yang dijalankan apabila bekas bermula. Di sini, kita melancarkan uvicorn dengan ikatan kepada 0.0.0.0 supaya ia boleh dicapai dari luar bekas.
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]Dockerfile Lengkap
Semua bahagian dalam susunan yang betul dan mesra cache:
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"]Membina dan Menjalankan
Bina imej dengan tanda, kemudian jalankannya dengan memetakan port bekas kepada hos anda menggunakan -p.
# terminal
docker build -t model-api .
docker run -p 8000:8000 model-apiSemakan Pantas
Uji pengetahuan anda tentang Docker.
Ringkasan
Anda telah mendokkan API: FROM python:3.11-slim, WORKDIR /app, menyalin requirements.txt dahulu, RUN pip install --no-cache-dir, menyalin sumber, EXPOSE 8000 dan CMD yang melancarkan uvicorn. Menyusun langkah untuk cache lapisan memastikan pembinaan semula kekal pantas. Kursus penyediaan FastAPI dan kelompok kandungan ini telah selesai.
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Menyediakan API Model dalam Docker” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Menyediakan API Model dalam Docker”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Menyediakan API Model dalam Docker”?
Dockerfile untuk FastAPI + model, binaan berbilang peringkat, titik akhir pemeriksaan kesihatan, docker-compose. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 4.
Berapa lamakah pelajaran “Menyediakan API Model dalam Docker” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Asas FastAPI untuk Jurutera Pembelajaran Mesin
- Skema Pydantic untuk Permintaan dan Respons
- Memuatkan dan Menyediakan Model Pembelajaran Mesin
- Menyediakan API Model dalam Docker