這一篇是我個人近期的經驗總結。個人感覺與 Docker 相見恨晚，要是早點懂，以前做的機器學工具，效果都能放大很多倍了。
以前總覺得把程式碼放到別的 server、別的電腦上跑，要搞定各種環境細節上的差異，是一件骯髒的苦差事。自從有了 Docker，一切都變得輕鬆快速無負擔。
每次一鍵部署（如上圖）都覺得很爽快！從改完程式碼到上線生效，就只有一行指令的距離（前提是網路穩定、指令編寫正確）。
準備
- 必須：
- 開發機＆目標機，都要安裝 Docker
- 至少需要寫一個簡單 server（建議 Python+Flask），方便推論數據進出虛擬機
- 建議：盡可能不要把只有訓練才用到的東西（程式碼、數據、函式庫）部署出去，所以能做以下這些事：
- 「訓練＆推論」數據分離
- 不必分開放。兩種數據不在同一個文件內，路徑能區分清楚就好。
- 「訓練＆推論」城市碼分離
- 前提：模型能存檔，可用 pickle r/w。
- pip install 加速與減負
- –no-cache-dir 映像是免洗筷環境，不快取，爭取輕量
- 中國大陸內 proxy
- pip3 install XXX -i https://mirrors.ustc.edu.cn/pypi/web/simple/
- requirements.txt 定向瘦身
- pip3 install pipreqs
- pipreqs .（在要部署的repo內）
- 效果？
- 1.54GB VS 424MB
- 大的已經手動刪除很多 package，還是這麼大。手動刪除效果比不上自動工具。
- 「訓練＆推論」數據分離
觀念
- Docker 虛擬機是一個小黑屋
- 人可以用，但不能親自操作
- 一切操作都要寫在一張紙上，請 Docker 管家代辦
- 這張紙叫做 Dockerfile （第一個字母必須大寫）
- Dockerfile 上的交辦事項分兩大類：
- 如何裝修？（一次性設置）
- 以後每次進門的慣例？（重複使用）
- Dockerfile 的好處＆不足：
- 強迫開發者把環境設定寫成程式碼，可標準化、可輕易重復。
- 對機器學習來說，Dockerfile 只能標準化推論與部署。訓練與演算法的內涵 Docker 管不到，還是要主動寫才會留下。（這句看起來很像「一分鐘有60秒」之類的廢話，但很真的很多主管不懂機器學習）
- Dockerfile 將會與 Python 程式碼一起維護，是整個 repo 程式碼的一部分。
- Dockerfile 的寫法，就是打包服務的重點。
操作
- 撰寫 Dockerfile
- docker build（裝修）
- docker run（執行慣例）
- 上述操作失敗的應對方式：說清楚太麻煩，我靠大量練習與肌肉記憶
延伸
- Python官方鏡像各版本差異
- https://hub.docker.com/_/python Image_Variants
- 製作運行 Python 的 docker image 前，如何選擇 docker 基底鏡像？
- https://aws.amazon.com/cn/blogs/china/choose-the-best-docker-image-for-your-python-application/
- bash 一鍵部署
- 如何撰寫 bash
- Linux 子帳號權限設置
- put ssh pub key to the server
- log 或其他 container 產生數據
- container 如免洗餐具，隨時消失、隨時可棄，不應該留存數據。
- 數據保存應該用 mount 或 volume。
待解決問題：
- Python 演算法或模型，是否應該用 mount 做到彈性更新？
- 多個虛擬機連動：docker compose