👉 Изтеглете изображението на контейнера на Docker на изображението на CentOS от DockerHub и създайте нов контейнер

👉 Инсталирайте софтуера Python в горната част на докер контейнера

👉 В Container трябва да копирате/създадете модел за машинно обучение, който сте създали в jupyter notebook

Ето стъпките, които следваме, за да постигнем горната цел: -

Стъпка 1: - Инсталиране и стартиране на докер услуга

Проверете дали докер софтуерът е наличен, като използвате cmd rpm -q docker-ce .Ако не е, тогава използвайте yum install docker-ce — nobest -y за инсталиране на софтуер.

Сега проверете дали докер услугата работи или не, като използвате cmd systemctl status docker.Ако услугата не работи, стартирайте докер услугата, като изпълните systemctl start докерcmd. Отново проверете дали услугата е започнала да използва systemctl status docker cmd.

Услугата Docker работи ..

Стъпка 2: - Изтеглете докер изображение и стартирайте контейнер

използвайте docker pull centos:latest cmd, за да изтеглите изображението на centos от hub.docker.com. Синтаксисът на тази команда е:-

docker изтегляне име_на_изображение:версия

изображението за проверка е изтеглено успешно с помощта на cmd докер изображения

Стартирайте контейнера с помощта на cmd

docker run -it — име os_name image_name :version

Стъпка 3:- Създайте работно пространство за код.

използвайте mkdir, за да създадете директория с име test1

Имаме набор от данни за заплати с полета заплата и години опит в тази директория. Използвайте набора от данни, който искате.

Нашата цел е да изчислим заплатата въз основа на стойността на годините опит, които предоставяме.

Стъпка 4: - Инсталирайте python и различни библиотеки, необходими за ml код в linux (докер хост).

В горното изображение използваме cmd yum install python36 за изтегляне и инсталиране на python3 в докер хост.

На фигурата по-долу можете да видите успешно инсталиран софтуер python36.

Първо проверете дали pandas е инсталиран или не, като използвате cmd pip3 list |grep pandas

Ако не е инсталиран, използвайте: - Инсталирайте pandas, като използвате pip3 install pandas, за да го инсталирате.

Първо проверете дали sklearn е инсталиран или не, като използвате cmd pip3 list |grep sklearn

Ако не е инсталиран, използвайте: - Инсталирайте sklearn, като използвате pip3 install sklearn cmd за инсталиране.

Първо проверете дали joblib е инсталиран или не, като използвате cmd pip3 list |grep joblib

Инсталирайте модула joblib с помощта на pip3 install joblib

Тук joblib вече е инсталиран, няма нужда да го инсталирате.

Стъпка 5: - Напишете код

използвайте vim task1ML.py, за да създадете файл и започнете да пишете кода по-долу.

Продължете с кода...

Стъпка 6: - Стартирайте код в linux (докер хост)

използвайте python3 task1ML.py, за да стартирате вашия ml код

Стъпка 7: - Разделете файла на 2 файла: един - python файл с модел на обучение, втори - файл с прогнози

файл 1: - същият код, както е написан на фигурата по-горе, просто премахнете кода, свързан с предвиждане на операция в друг файл.

файл 1:- код

Изпълнете код с помощта на python3 task1ML.py

След стартиране можем да видим, че файлът SalaryEstimate.pki също е създаден в нашето работно пространство поради модела на joblib.

Файл 2:- Код predict.py

Стартирайте predict.py с помощта на cmd python3 predict.py

Стъпка 8: - Преместете цялото работно пространство в докер Mlos контейнер.

docker start Mlosза стартиране на спрения контейнер.

Използвайте docker attach Mlos cmd, за да влезете в стартирания Mlos контейнер.

Направете работно пространство вътре в контейнер с име SummerTask, като използвате cmd mkdir SummerTask

Инсталирайте софтуера python36, както и библиотеките (sklearn,pandas,joblib), които инсталираме по-горе в linux (докер хост). По същия начин, по който ще инсталираме тези библиотеки, вземете помощ отгоре или на фигурите по-долу, които съм инсталирал, вижте там.

Вижте целия път на работното пространство, като използвате cmd pwd, след като влезете в работното пространство

Използвайте docker ps cmd, за да видите идентификатора на контейнера Mlos.

Сега в linux стартирайте cmd docker cp [src_path_linux_ws] container_id:[dest_path_ws]

Цялата директория task1, копирана вътре в директорията task1 в директорията SummerTask в контейнер.

Влезте в SummerTask › task1›task1› в Mlos контейнер

Тук ще получим всички файлове

Сега стартирайте predict.py с помощта на cmd python3 predict.py

Така че нашият модел модел се стартира вътре в докер контейнер.

Благодаря ви, че прочетохте……