ساخت یک پشته استقرار ML موثر با Docker در اوبونتو 22.04

یادگیری ماشین (ML) به بخش مهمی از بسیاری از مشاغل، از استارت آپ ها گرفته تا شرکت های بزرگ تبدیل شده است. با این حال، استقرار مدل‌های ML می‌تواند یک کار چالش برانگیز باشد، به‌ویژه برای کسانی که تازه وارد این حوزه شده‌اند. برای ساده‌تر کردن فرآیند، به شما نشان می‌دهیم که چگونه یک پشته استقرار مؤثر ML در اوبونتو 22.04 بسازید که با تمام اجزای لازم کامل شده است.

بسته‌ها را به‌روزرسانی کنید

برای به روز رسانی بسته های سرور به آخرین نسخه موجود، دستور زیر را اجرا کنید.

به‌روزرسانی sudo apt
sudo apt upgrade -y

پایتون را نصب کنید

Python پرکاربردترین زبان برنامه نویسی برای ML است و از قبل روی اوبونتو نصب شده است. با این حال، ممکن است بخواهید آخرین نسخه یا کتابخانه های اضافی را نصب کنید. برای نصب پایتون از دستور زیر استفاده کنید:

sudo apt-get install python3

TensorFlow را نصب کنید

TensorFlow یک کتابخانه ML منبع باز محبوب است که توسط Google توسعه یافته است. با استفاده از دستور زیر می توانید آن را در اوبونتو نصب کنید:

تنسورفلو نصب پیپ

Keras را نصب کنید

Keras یک API شبکه های عصبی سطح بالا است که به زبان پایتون نوشته شده است و می تواند در بالای TensorFlow اجرا شود. می توانید Keras را با استفاده از دستور زیر نصب کنید:

کراس نصب پیپ

فلاسک را نصب کنید

Flask یک چارچوب وب سبک وزن است که معمولاً برای ساخت برنامه های وب برای ML استفاده می شود. می توانید Flask را با استفاده از دستور زیر نصب کنید:

فلسک نصب پیپ

Docker را نصب کنید

Docker یک پلت فرم کانتینری است که به شما امکان می دهد مدل های ML خود را بسته بندی کرده و آنها را در محیط های مختلف مستقر کنید. با استفاده از دستور زیر می توانید Docker را روی اوبونتو نصب کنید:

sudo apt-get install docker-ce

برای جزئیات نصب و راه اندازی Docker اینجا را کلیک کنید.

یک تصویر داکر بسازید

هنگامی که Docker را نصب کردید، می‌توانید از آن برای ایجاد یک تصویر Docker استفاده کنید که حاوی مدل ML شما و تمام وابستگی‌های آن است. می توانید یک Dockerfile در فهرست پروژه خود با محتویات زیر ایجاد کنید:

FROM tensorflow/tensorflow

کپی 🀄 . /برنامه
WORKDIR / برنامه

پیپ install -r requirement.txt را اجرا کنید

CMD ["python"، "app.py"]

این Dockerfile فرض می‌کند که مدل ML شما در فایلی به نام app.py قرار دارد و وابستگی‌های آن در فایلی به نام requires.txt فهرست شده‌اند. برای ساختن تصویر داکر از دستور زیر استفاده کنید:

docker build -t my-model .

کانتینر Docker را مستقر کنید

در نهایت، می‌توانید ظرف Docker خود را در سرور یا ارائه‌دهنده ابری دلخواه خود مستقر کنید. برای اجرای کانتینر می توانید از دستور زیر استفاده کنید:

docker run -d -p 5000:5000 my-model

این دستور کانتینر را در حالت جدا شده شروع می‌کند و پورت 5000 روی میزبان را به پورت 5000 داخل کانتینر نگاشت می‌کند. اکنون می توانید با مراجعه به http://localhost:5000 در مرورگر وب خود، به مدل ML خود دسترسی پیدا کنید.

بپیچید!

ایجاد یک پشته استقرار موثر ML در اوبونتو 22.04 مستلزم نصب چندین مؤلفه از جمله Python، TensorFlow، Keras، Flask و Docker است. با پیروی از دستورالعمل ها و دستورات گام به گام ارائه شده در این راهنما، می توانید یک پشته استقرار قدرتمند ML ایجاد کنید که به شما امکان می دهد مدل های خود را به راحتی مستقر کنید. با داشتن پشته مناسب، می‌توانید پروژه‌های ML خود را تسریع کنید و مزیت رقابتی در صنعت خود به دست آورید.