0Pricing
MLOps Academy · Lekcja

Odchudzanie obrazów za pomocą kompilacji wieloetapowych

Zmniejsz rozmiar obrazu, oddzielając warstwy kompilacji i środowiska uruchomieniowego

Odchudzanie obrazów za pomocą kompilacji wieloetapowych to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 2 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.

Big Images Hurt

A bloated image is slow to push, pull, and start, and it carries more to patch. Multi-stage builds ship only what you actually need.

The Core Idea

You use one stage to build and a second clean stage to run. Build tools stay behind, so the final image stays small.

Name a Build Stage

Add AS builder to a FROM line to name a stage. You can reference that name later to pull files out of it.

FROM python:3.11 AS builder

Install Into the Builder

In the builder, install dependencies to a known prefix. The --user flag drops everything neatly under one copyable folder.

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

Start the Runtime Stage

Open a fresh, slim stage for what actually runs. It has none of the compilers or caches the builder needed.

FROM python:3.11-slim

Copy Only the Artifacts

Use COPY --from=builder to lift just the installed packages into the runtime stage. The heavy build layer is left behind.

COPY --from=builder /root/.local /root/.local

Bring in Your Code

Copy your application source into the slim stage too. Now the final image holds your code plus only its runtime dependencies.

COPY . /app

Fix the Path

User-installed packages live under .local, so add that to PATH. Otherwise the runtime cannot find your installed commands.

ENV PATH=/root/.local/bin:$PATH

Only Last Stage Ships

Docker keeps only the final stage in your image. Everything in earlier stages is discarded unless you explicitly copy it.

Try Distroless

For the smallest, safest result, run on a distroless base with no shell or package manager. Less surface means fewer things to exploit.

Measure the Win

Check the size drop with docker images. Slimming from over a gigabyte to a couple hundred megabytes is common and worth it.

docker images model-api

Quick Check

Let us check what a multi-stage build keeps.

Recap

You split build from runtime, copied just the artifacts with COPY --from, fixed PATH, and shrank the image. Lean and fast. ✅

Często zadawane pytania

Czy lekcja „Odchudzanie obrazów za pomocą kompilacji wieloetapowych” jest bezpłatna?

Tak — pełny tekst „Odchudzanie obrazów za pomocą kompilacji wieloetapowych” 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 „Odchudzanie obrazów za pomocą kompilacji wieloetapowych”?

Zmniejsz rozmiar obrazu, oddzielając warstwy kompilacji i środowiska uruchomieniowego 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 2 z 4.

Ile czasu zajmuje lekcja „Odchudzanie obrazów za pomocą kompilacji wieloetapowych”?

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