<p>我们通过tensorflow或者pytorch一些深度学习框架可以训练我们自己的模型，然而在生产部署中，不可能让程序运行在一个server上(比如简单的包装一个tornado或者django框架实现服务的可用)就行了。为了保证服务的高可用，一般通过docker部署模型，之后通过k8s实现集群的管理和docker镜像的管理。</p>

文章会首先介绍Docker的概念，Docker的基本语法和用法，以及和Docker相关的几个工具的介绍。

Docker是什么
　　容器与Docker
　　Docker是一种常用的容器化技术。这里的容器化和虚拟化是对应的概念，即Docker和VirtualBox等等虚拟机的效果有类似之处，但容器是更轻量化的一套隔离环境，不会额外虚拟硬件，很多资源和进程都是由宿主机直接执行，因此省了很多资源消耗，速度要比虚拟机快很多，特别适合机器学习等AI之类的计算密集型的程序隔离需求。

　　Docker的容器概念与Spring Boot的容器概念完全不同，后者是指Java代码的一种组织形式。这两种不同容器都与微服务有关。

为什么学Docker
　　首先给大家举个很常见的情景。某公司新人小王去办公室报道，公司老鸟老李吩咐小王先去把工作用到的开发环境部署好再叫他。但是小王是个萌新程序员，下载这些开发库的地址都不知道。冗长的环境安装手册看的小王头昏脑涨，更不用说里面还有些错误和没写清楚的细节。这个场景是不是很多公司都经常在上演？其实，我在很久之前就不停的想，都程序员了为什么还要看技术手册自己安装，难道就没有一个可靠的技术帮我一键部署好吗 ?

答案是，当然有！你差的就是Docker！有了他，小王只需要下载好前辈写好的Dockerfile，只要网络OK，就可以一键运行演示程序。有没有很简单？下面我就来拿一个Github项目来告诉你怎么样做到。

Docker部署实例
　　下面先来看如何部署一个最简单的图片分类服务的Demo程序，要求图片分类模型用深度学习框架Keras来实现，并通过flask发布模型的预测功能。下面我们就来看在Docker下的一键部署的过程。

首先，我们需要从Github上clone一份代码，进入这个文件夹。

git clone https://github.com/mtobeiyf/keras-flask-deploy-webapp.git
cd keras-flask-deploy-webapp

在进入到这个文件夹后，我们不妨看一下都有什么文件：

经过之前的学习，我们可以了解requirements.txt中管理了项目依赖。其他的文件中，Dockerfile是本次文章最核心的一个文件，有了他Docker才能在本地进行镜像的构建。这里我们可以把Dockerfile中的RUN pip install一行替换为RUN pip install -r /requirements.txt -i https://mirrors.aliyun.com/pypi/simple/，通过国内镜像来加速安装过程。我们可以输入下面的指令，自己构建一个测试镜像：

　　docker build -t keras_flask_test .

　　docker build就是Docker容器的镜像构建命令。这条命令执行后，会需要等待一段时间（主要是下载和安装，时间取决于机器配置和网络环境情况）。如下图所示，在这个项目的dockerfile里定义了7步构建。我这里因为提前构建了一次，这次构建会直接从缓存中读取，所以省略了耗时的部分。

只要看到上图最后的Successfully built XXX和Successfully tagged XXX就说明已经构建成功。docker build命令的作用是让Docker根据当前文件夹的Dockerfile内容，自动去构建名叫keras_flask_test的镜像。我们可以来确认下是否有这个镜像：

docker images |grep -i keras 
keras_flask_test latest af52f1dd1fbb 1 days ago 917MB

docker images是显示出当前系统中存在的所有镜像，后续加grep来搜索指定关键词的镜像。这里因为正好之前构建了下，所以是一天前的。读者朋友如果刚刚构建好，镜像的创建时间应该是最近。有了镜像，我们就可以实际运行这个模型服务了：

docker run -it --rm -p 5000:5000 keras_flask_test

这里，docker run就是Docker从镜像产生一个容器了。因为Keras自动调用了tensorflow，运行后的命令会显示tensorflow的信息。同时，Keras也会自动下载一个mobilenetv2的轻量模型。等到一切就绪后，会提示Model loaded. Check http://127.0.0.1:5000/的信息。到这里，模型部署就已经完成了，是不是很6的感觉。我们的模型服务地址就是本机，端口号是5000

Docker镜像与Docker容器的关系如同程序与进程一样，镜像是静态的基础，而容器是动态的实例。

这时候在浏览器中，打开http://127.0.0.1:5000应该能看到下图的界面了。我们可以往中间的地方上传一张图片，模型会返回当前图片的类别。大家可以玩玩，不过不要太为难这个小模型了。

Docker常用命令
　上面的例子很简单，我们回头总结和扩展相关的知识。先总结下Docker容器化的普遍的流程。

Docker化程序的一般流程
　　对于使用者，在得到Docker化程序的代码后，首先，通过docker build找到Dockerfile构建镜像。然后，docker run从镜像产生一个容器的实例。

　　而对于开发者，一般在AI模型的Docker化之前，先由开发者在自己的非容器环境中开发调试好后才开始。然后开发者把自己环境的安装配置过程，完整的移植到Dockerfile中。一般来说，Dockerfile中的命令要能复现自己的整个配置过程，才算真正完整的Docker化程序开发。开发者一般需要自己重复使用者的步骤，以确保整个过程是真正能在新环境中重现。

　　简单来说，顺序是：编写Dockerfile→build→run三部曲。下面介绍这个流程相关的命令。由于Dockerfile的内容相对较多，所以暂时放在后面来说。我们先从build开始。

构建镜像
　　构建Docker镜像的命令是docker build，这条命令的基础是Dockerfile文件。命令的形式为：

　　docker build [OPTIONS] PATH | URL | -

　　其中，具体的选项有很多，建议参考帮助来学习（docker build --help）。我们着重介绍一些最常见的：

　　一个简单的命令实例是：

docker build -t test .

这条命令就是根据当前目录的Dockerfile内容构建名为test的镜像，命令中最后的.表示构建的目录路径。

运行容器
　　运行Docker容器的命令是docker run，这条命令的基础是引用的镜像必须已经构建好。Docker也为运行命令准备了非常多的选项，具体可以参考帮助（docker run --help），这里先列出一部分比较常用的选项：

 　　相关参数可以自行百度

　　镜像构建可以通过上一步的docker build，自己来完成本地的构建。大多情况下，也可以直接使用别人构建好并上传到Dockerhub等Docker镜像托管网站的镜像。例如下面一条命令：

docker run -d -p 8080:80 --rm --name mynginx nginx

　　这条命令是后台运行一个名为mynginx的nginx服务，把容器中的80端口映射为主机的8080，容器在停止时会自动删除。假设当前系统没有运行过这条命令，Docker会显示出以下信息：

第一条信息表示Docker没有找到本地的nginx;latest镜像；第二条信息显示从library/nginx上拉取最新的镜像。后面都是镜像拉取的分层进度，最后一行表示容器运行成功后返回的容器ID。

从这里，我们可以发现docker run的逻辑先搜索本地是否有构建过这个镜像，找不到时会从远端服务器中的仓库拉取最新镜像回来。这个过程非常类似Github上拉取代码，也可以看作一种分布式。

编写Dockerfile
Dockerfile为镜像构建提供了具体步骤，我们来看下今天介绍的项目中的Dockerfile内容：

FROM python:3.6-slim-stretch

ADD requirements.txt /
RUN pip install -r /requirements.txt -i https://mirrors.aliyun.com/pypi/simple/

ADD . /app
WORKDIR /app

EXPOSE 5000
CMD [ “python” , “app.py”]

其中，第一行的FROM python:3.6-slim-stretch中的FROM定义了基础镜像，这句表示该镜像基于python:3.6-slim-stretch构建，新镜像会包含基础镜像的所有文件。后面的EXPOSE表示镜像的容器对外暴露什么端口，这与docker run -p xxxx:yyyy中的yyyy对应。CMD表示镜像的容器运行后，自动执行的一条命令，类似于容器的入口命令。而剩下中间的许多行，则是构建镜像中需要的具体指令。

完结.