容器化的数据科学与工程——第二部分：容器化的数据科学

（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：

1. 利用绝大部分数据科学家熟悉的技术（ python 和 scikit-learn ）.
2. 被容器化（也就是说，可以被编译为一个 Docker 镜像）。
3. 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。