(这是有关容器化世界里的数据科学与工程系列博客文章的第二部分,点此看第一部分)。
首先要承认,数据科学家正在设计一些非常有意思(而且或许很有价值的)的模型、优化以及虚拟化等。不幸的是,由于很多模型不能被产业化,它们将永远也不会被使用。事实上,很多工业界正在发生的“数据科学”也同步而孤立的发生在数据科学家的笔记本上。而且,在数据科学的应用被实际部署的场景中,它们经常被部署为 python/R 脚本,上传到 AWS 并作为一个 cron 任务来运行。
正如下面所言,这是数据科学用于工业界的一个非常大的问题和障碍:
“只有一个问题——我所有的工作都是在本地机器的 R 中完成的。人们欣赏我的努力,但是由于它没有被“产品化”且框架不能和本地模型通信,他们不知道如何使用我的模型。非常大的教训!”—— Twitter 的数据科学家 Robert Chang 。
“数据工程师经常抱怨:数据科学家缩写的代码效率低、风格差;他们很少考虑想法产品化后的维护代价;他们经常要求一些努力很多、受益很小的不切现实的特性。类似的抱怨还有很多,但你已经知道要点在哪了。”——数据平台 Stitchfix 的经理 Jeff Magnusson 。
但是,请不要担心!有一个更好的方法:容器化你的数据科学应用,以方便部署、可移植以及框架内的集成。
数据科学家应该关心 Docker 的原因
该问题的简单回答就是:数据科学家想让他们的模型、仪表盘、优化等等被实际使用。为了让数据科学的应用被使用并带来价值,它们需要走出笔记本电脑,并被实际部署。它们还需要能够与现有的架构兼容,并易于升级和迭代。
一个 Docker 化的数据科学应用是如何提供以下好处的呢?
- _ 无论应用如何部署、部署在何处,你无需担心依赖问题。_ 部署数据科学的应用的一个难点就是,搞清楚机器上复杂的依赖关系(numpy、scipy、pandas、scikit-learn 和 statsmodels 等)。通过将这些应用容器化,你可以在不管依赖关系、部署机器上的操作系统类型以及现有包 / 库版本的情况下,利用一行命令轻易完成部署。
- _ 随着公司框架的扩展或你需要扩展你的应用,你可以轻易移植或创建更多实例。_ 大家经常会在没有全面考虑服务最终部署位置、服务能力的实际需求等问题的情况下开发一个模型或应用。但是,当你将数据科学的应用容器化以后,你可以轻易的根据需求将它从 AWS 移植到 Azure。或者,你可以根据负载情况,创建更多的应用实例。
- _ 你,作为一个数据科学家,可以保持公司的现代化架构。_ 替代在与 4 个不同的数据库直接交互的机器上的 cron 任务,容器化的数据应用可以利用 JSON API 和消息队列来与框架的其他部分进行交互。而且更让工程师觉得开心的是,当架构改变或升级时,应用也可以正常工作。你还可以将数据科学的工作和其他工程团队的 CI/CD 流水线集成在一起。(观众中的数据科学家不要担心:这并不难,而且我们会在下面给出一个例子)。
容器化数据科学应用的一个简单例子
接下来,让我们从一个 python 脚本开始了解容器化的数据科学应用。接下来,我会给出容器化数据科学应用的一个简单例子:
- 利用绝大部分数据科学家熟悉的技术( python 和 scikit-learn ).
- 被容器化(也就是说,可以被编译为一个 Docker 镜像)。
- 通过 JSON API 与 Docker 容器以外的组件进行交互。
一个做预测的简单模型
这里,我们将利用著名的 Iris 数据集来构架一个 k-NN 分类模型(带 scikit-learn ):
from sklearn import datasets from sklearn.neighbors import KNeighborsClassifier def predict(inputFeatures): iris = datasets.load_iris() knn = KNeighborsClassifier() knn.fit(iris.data, iris.target) predictInt = knn.predict(inputFeatures) if predictInt[0] == 0: predictString = 'setosa' elif predictInt[0] == 1: predictString = 'versicolor' elif predictInt[0] == 2: predictString = 'virginica' else: predictString = 'null' return predictString
该预测函数将基于输入特征``inputFeatures`(sepal length、sepal width、petal length 和 petal width)返回一种 Iris。在本例中,用于训练模型的数据集是静态的(也就是说,从 scikit-learn 数据集中加载)。然而,你可以很轻易的想到如何从一个数据集或利用消息、API 和数据库交互所聚合的值中动态加载。
传递预测的 JSON API
接下来,我们需要将这些预测传递到其他组件。为此,我将开发自己作为简单 JSON API 的应用。对于很多使用微服务架构的工程团队而言,这种应用只是一种普通的练习。而且它可以使得数据应用与其他现存的服务更好的协同工作。
这里,我们将在 API 中使用flashk-restful
,你可以使用 twisted 或其他任何架构:
from flask import Flask from flask_restful import Resource, Api from flask_restful import reqparse from utils import makeprediction app = Flask(__name__) api = Api(app) class Prediction(Resource): def get(self): parser = reqparse.RequestParser() parser.add_argument('slength', type=float, help='slength cannot be converted') parser.add_argument('swidth', type=float, help='swidth cannot be converted') parser.add_argument('plength', type=float, help='plength cannot be converted') parser.add_argument('pwidth', type=float, help='pwidth cannot be converted') args = parser.parse_args() prediction = makeprediction.predict([ args['slength'], args['swidth'], args['plength'], args['pwidth'] ]) print "THE PREDICTION IS: " + str(prediction) return { 'slength': args['slength'], 'swidth': args['swidth'], 'plength': args['plength'], 'pwidth': args['pwidth'], 'species': prediction } api.add_resource(Prediction, '/prediction') if __name__ == '__main__': app.run(debug=False)
那么,我就得到了一个GET
端点,使得我们可以利用其来获得针对一个特征集的预测。例如,路径
http://<host>:5000/prediction?slength=1.5&swidth=0.7&plength=1.3&pwidth=0.3
将返回:
{ "pwidth": 0.3, "plength": 1.3, "slength": 1.5, "species": "setosa", "swidth": 0.7 }
其中,在响应 JSON 中的species
表示基于输入特征预测的种类。
构建 Docker 镜像的 Dockerfile
为了构建一个我们数据科学应用的“Docker 镜像”,我们西药一个Dockerfile
。该Dockerfile
将呆在 repo 的 root 中,并包含 Docker 镜像中的所有必须的文件和依赖关系。当我们运行 Docker 镜像时,运行我们所选择的一个命令:
FROM ubuntu:12.04 # get up pip, vim, etc. RUN apt-get -y update --fix-missing RUN apt-get install -y python-pip python-dev libev4 libev-dev gcc libxslt-dev libxml2-dev libffi-dev vim curl RUN pip install --upgrade pip # get numpy, scipy, scikit-learn and flask RUN apt-get install -y python-numpy python-scipy RUN pip install scikit-learn RUN pip install flask-restful # add our project ADD . / # expose the port for the API EXPOSE 5000 # run the API CMD [ "python", "/api.py" ]
准备完毕,开始部署应用
以上就是构建第一个容器化的数据科学应用所需要的所有步骤(对于 Docker 的安装指令,参看 Docker 网站)。现在,让我们构建应用的“Docker 镜像”:
docker build --force-rm=true -t pythoniris
该命令将构建一个名为pythoniris
的 Docker 镜像。我们可以根据需要标记该镜像(例如,pythoniris:latest
),或将其和 Docker Hub 上的用户 / 账号(例如,dwhitena/pythoniris
)关联起来(Docker Hub 是一个专门存储 Docker 镜像的公开仓库,类似于 Docker 镜像的 Github)。
如果你将镜像上传到 Docker Hub(或一个私有仓库),部署就像运行引用 Docker Hub 或仓库中的用户名 / 镜像名的 Docker 镜像一样容易。然而,假设你想首先在本地进行这些尝试,你可以通过如下命令来运行 Docker 镜像:
docker run --net host -d --name myiris pythoniris
该命令将运行 Docker 镜像运行为一个名为myiris
的容器、一个守护进程(-d),并使用与本地主机相同的网络接口(--net host
)。现在,你的 JOSN API 就可以通过localhost:5000
端口进行访问了。
可以看的出来,从 python 脚本到容器化的数据应用只需要一点点的付出。现在,请继续向前——研究数据科学、容器化数据科学和部署你的数据科学吧。
以上代码可以在 Github 中下载。
感谢陈兴璐对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博( @InfoQ , @丁晓昀),微信(微信号: InfoQChina )关注我们。
评论