Docker pour tout Data scientist
Motivations
En tant que Data scientist, vous avez peut-être déjà entraîné un modèle de machine learning et décidé de passer votre code à un ami ou un collègue de travail. À votre surprise, votre code ne fonctionne plus chez votre ami ou collègue de travail, pourtant, ce même code fonctionne bien sur votre ordinateur.
De même, vous avez peut-être déjà développé une API permettant d’exploiter votre modèle et cette dernière fonctionne bien sur votre ordinateur mais ne fonctionne pas sur le serveur de production lors du déploiement.
Ces problèmes sont souvent liés à l’incompatibilité de librairies ou d’environnements. Pour résoudre ces problèmes, la meilleure solution consiste à utiliser des conteneurs Docker.
Qu'est ce que docker
Docker est un outil qui vous permet de créer et de déployer des environnements isolés à l’aide de conteneurs pour exécuter vos applications ainsi que leurs dépendances.
Avantages des conteneurs docker
Reproductibilité
En conteneurisant des modèles de machine learning, vous pouvez expédier vos codes ou déployer vos modèles dans tout autre système sur lequel Docker est installé et attendre à ce que votre application donne des résultats similaires à ceux obtenus lorsque vous l’avez testé localement.
Développement collaboratif
Les modèles de machine learning conteneurisés permettent aux coéquipiers de collaborer et facilitent la réutilisation du code.
Quelques Commandes importantes de conteneurs Docker
Dans cette partie, je vous présente quelques commandes importantes de conteneurs Docker que tout Data Scientist doit connaitre .
- docker container ls : Affiche les conteneurs qui s’exécutent sur l’hôte
- docker container stats: Affiche les informations d’état des conteneurs en cours d’exécution
- docker container run <image>: Démarre un nouveau conteneur à partir de l’image spécifiée ou exécuter une commande dans un nouveau conteneur
- docker container commit <container>: Crée une nouvelle image à partir des modifications apportées à un conteneur en cours d’exécution
- docker container attach <container>: Attache des flux locaux standard d’entrée, de sortie et d’erreur à un conteneur en cours d’exécution
- docker container logs <container>: Affiche les informations de journal d’un conteneur
- docker container inspect <container>: Affiche les informations détaillées d’un conteneur
- docker container update <container> : Renouveler la configuration d’un conteneur
- docker container rename <container> <new-name>: Attribue un nouveau nom à un conteneur
- docker container port <container: Affiche les affectations de port d’un conteneur
- docker container pause <container>: Mettre en pause les processus en cours d’exécution dans un conteneur
- docker container unpause <container>:Reprend l’exécution des processus en pause dans un conteneur
- docker container exec <container> <command>: Exécute une commande dans un conteneur en cours d’exécution
- docker container stop <container>: Arrête l’exécution d’un conteneur
- docker container start <container>: Reprendre l’exécution d’un conteneur arrêté
- docker container restart <container>: Redémarre un conteneur
- docker container top <container>: Répertorie les processus en cours d’exécution dans un conteneur
- docker container kill <container>: Tue un conteneur en cours d’exécution
- docker container rm <container>: Supprime un conteneur du système
- docker container cp <container>:<source-path> <dest-path>: Copie des fichiers et des dossiers entre un conteneur et le système de fichiers local
You may also like
Top 8 des Conseils des Experts Power BI
