0Pricing
MLOps Academy · Lekcja

Przekazywanie konfiguracji przez zmienne środowiskowe

Nie umieszczaj ścieżek modeli ani sekretów w obrazie

Przekazywanie konfiguracji przez zmienne środowiskowe to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.

Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.

Do Not Bake Config In

Hardcoding a model path or API key bakes it into the image forever. Pass them as environment variables at run time instead.

Read Env in Python

Use os.getenv to read a variable, with a sensible default. Your code then bends to each environment without edits.

import os
model_path = os.getenv("MODEL_PATH", "/models/latest.pkl")

Defaults Inside the Image

The Dockerfile ENV instruction sets a baked-in default. It is handy for non-secret config that rarely changes.

ENV MODEL_PATH=/models/latest.pkl

Override at Run Time

Override any value with -e on docker run. The same image then serves staging or production with different settings.

docker run -e MODEL_PATH=/models/v2.pkl model-api

Group Vars in a File

Keep many variables tidy in a file and load it with --env-file. Your run command stays short and readable.

docker run --env-file prod.env model-api

Never Commit Secrets

Keep secret files out of Git and out of the image. Add your .env to .gitignore and .dockerignore so they never leak.

Secrets Belong Outside

Real secrets like database passwords should come from a vault or your platform secret manager, injected at run time only.

Validate on Startup

Check required variables when the app boots and fail loudly if one is missing. A clear crash beats a silent wrong prediction.

if not os.getenv("MODEL_PATH"):
    raise RuntimeError("MODEL_PATH is required")

Twelve-Factor Config

The twelve-factor rule says store config in the environment. It keeps one image portable across every deployment target.

Pydantic Settings

Tools like pydantic-settings read env vars into a typed config object, validating types and defaults in one clean place.

from pydantic_settings import BaseSettings

One Image, Many Envs

The payoff: build once and run that exact image in dev, staging, and prod, changing only the variables you inject.

Quick Check

Let us check where config should live.

Recap

You read config with os.getenv, set defaults via ENV, overrode with -e and --env-file, and kept secrets out. One portable image. ✅

Często zadawane pytania

Czy lekcja „Przekazywanie konfiguracji przez zmienne środowiskowe” jest bezpłatna?

Tak — pełny tekst „Przekazywanie konfiguracji przez zmienne środowiskowe” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „Przekazywanie konfiguracji przez zmienne środowiskowe”?

Nie umieszczaj ścieżek modeli ani sekretów w obrazie Ćwiczysz MLOps Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć MLOps Academy?

Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.

Ile czasu zajmuje lekcja „Przekazywanie konfiguracji przez zmienne środowiskowe”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji MLOps Academy?

Tak. Każda lekcja MLOps Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Pisanie Dockerfile dla API modelu
  2. Odchudzanie obrazów za pomocą kompilacji wieloetapowych
  3. Przekazywanie konfiguracji przez zmienne środowiskowe
  4. Lokalne uruchamianie i testowanie kontenera
← Powrót do MLOps Academy