从开发到部署：自动化机器学习-人工智能-PHP中文网

从开发到部署：自动化机器学习

霞舞

发布： 2025-07-30 10:39:57

原创

4005人浏览过

构建机器学习 (ml) 模型既引人入胜又复杂，需要仔细完成一系列步骤。从机器学习模型开发到部署，是人工智能落地的关键阶段。一个基于正确算法和相关数据、经过良好训练的模型，能够涵盖开发阶段，之后的重点将转向部署。

部署机器学习模型可能是一个繁琐的过程：构建 API、容器化、管理依赖项、配置云环境以及设置服务器和集群通常需要付出巨大的努力，但想象一下，如果整个工作流程可以自动化会怎样？在本文中，我们将讨论机器学习部署自动化如何统一和简化所有这些流程。使用通用工具、预配置模块和易于集成的自动化脚本可以简化部署过程。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

从开发到部署：自动化机器学习 - php中文网

在本文中，我将向您介绍如何训练 ML 模型、使用 Docker 对其进行容器化以及如何使用 Terraform 将其部署到云端，所有这些都使用自动化脚本，使流程可重用且适合 CI/CD。

自动化机器学习部署带来的好处

自动化 ML 部署彻底改变了游戏规则：

使机器学习模型能够有效扩展
几分钟内将模型投入生产
消除耗时的重复步骤
减少人为错误

使用的工具

要配置 ML 模型部署，我们需要一些基本工具和库：

Python 3.4+：用于训练和托管模型以及编写脚本来填补空白的核心编程语言
scikit-learn：用于机器学习的 Python 库
FastAPI：将 ML 模型作为 Web API 托管的 Python 库
Docker：运行 Terraform 和 ML 模型
Cloud CLI：需要安装才能与 Azure、AWS 和 GCP 等云平台交互
Terraform：基础设施即代码（IaC）用于配置云资源

项目设置

现在，让我们设置项目并回顾每个步骤。该项目主要分为三个部分：

机器学习模型训练
机器学习工作流程自动化
使用 Terraform 的 IaC

该项目的结构如下：

ml_deploy/
├── src/
│   ├── app.py                  # FastAPI app that serves the ML model
│   ├── train_model.py          # Trains and serializes the model
│   ├── model.pkl               # Packaged ML model
│   ├── requirements.txt        # Python libraries
│   └── Dockerfile              # Defines the Docker image
├── terraform/
│   ├── main.tf                 # Terraform configuration file
│   ├── variables.tf
│   ├── outputs.tf
│   └── terraform.tfvars        # Holds dynamic values like image name
├── scripts/
│   ├── build_model_and_image.py  # Automates model training + Docker
│   └── install_terraform.py      # Runs Terraform inside Docker

登录后复制

机器学习模型训练

该流程的第一步是模型开发、训练模型并构建 API 来为其提供服务：

train_model.py/
import pickle
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
# Load data
X, y = load_iris(return_X_y=True)
# Initialize and train model
model = LogisticRegression(max_iter=200)
model.fit(X, y)
# Save model to a file
with open("model.pkl", "wb") as f:
    pickle.dump(model, f)

登录后复制

在上面的示例中，我们使用 scikit-learn在传统的鸢尾花物种数据集上训练了一个逻辑回归模型。我们使用Pickle 库对模型进行序列化，将所有依赖项封装到一个文件中。然后，FastAPI 服务器加载model.pkl该模型和端点以生成预测：/predictapp.py

app.py/
from fastapi import FastAPI
import pickle
import numpy as np
app = FastAPI()
model = pickle.load(open("model.pkl", "rb"))
@app.get("/")
def root():
    return {"message": "Model running"}
@app.post("/predict")
def predict(data):
    prediction = model.predict(np.array(data).reshape(1, -1))
    return {"prediction": prediction.tolist()}

登录后复制

机器学习工作流自动化

经过训练的机器学习模型可以转化为一种服务，在可靠部署和访问的情况下，能够实时、大规模地交付。手动训练模型、通过构建 Docker 镜像部署模型以及更新配置文件可能是一个繁琐且容易出错的过程。自动化不仅可以提高效率，还可以简化工作流程。

我们使用两个 Python 脚本自动执行这些步骤：

Lumen5

一个在线视频创建平台，AI将博客文章转换成视频

查看详情

build_model_and_image.py：此 Python 脚本可自动执行模型训练、Docker 镜像构建、推送到 DockerHub 以及更新.tfvarsTerraform 文件并将其组合到单个工作流中。build_model_and_image.py在 GitHub 上查看代码：https://github.com/yraj1457/MLOps/blob/main/scripts/build_model_and_image.py

build_model_and_image.py/
import subprocess
import sys
# Executes the train model Python code
def train_model():
    print("Training the Model")
    try:
        subprocess.run(["python3", "train_model.py"], check=True, cwd=src_dir)
    except Exception as e:
        print(f"Error Training the Model: {e}")
        sys.exit(1)
# Builds the image after training the model
def build_image():
    print(f"Building the Docker Image: {docker_image}")
    try:
        subprocess.run(["docker", "build", "-t", docker_image, "."], check=True)
    except Exception as e:
        print(f"Error Building the Docker Image: {e}")
        sys.exit(1)

登录后复制

install_terraform.py：此 Python 自动化脚本通过在 Docker 容器中运行 Terraform 来负责配置基础设施，从而确保无需单独安装 Terraform。install_terraform.py在 GitHub 上查看代码：https://github.com/yraj1457/MLOps/blob/main/scripts/install_terraform.py

install_terraform.py/
import subprocess
import sys
from pathlib import Path
# Run the Trio, the three Terraform commands
def run_terraform():
    cmd_list = ['init', 'plan', 'apply']
    for cmd in cmd_list:
        print(f"Running Terraform {cmd}")
        try:
            subprocess.run(
                f"docker run --rm -v {Path(terraform_dir).resolve()}:/workspace "
                f"-w /workspace {terraform_image} {cmd}",
                shell=True,
                check=True
            )
        except Exception as e:
            print(f"Error running Terraform {cmd}: {e}")
            sys.exit(1)

登录后复制

这些自动化脚本填补了空白，并使工作流程在插入管道时可重复使用。

使用 Terraform 进行基础设施即代码

生产就绪服务需要部署。我们使用 Terraform 的 IaC，它允许我们定义整个云设置——包括运行模型的容器。它确保部署不仅自动化且一致，而且可跨环境移植。

基础设施由四个 Terraform 配置文件配置：main.tf、、和。Python 脚本使用官方 hashicorp/terraform Docker 镜像来运行 Terraform 命令（、、和），从而无需维护 Terraform 安装或版本，并在开发和部署之间提供了明确的划分variables.tf。outputs.tfterraform.tfvarsinitplanapply

下面的 Terraform 代码片段可以作为一个例子。它提供了一个 Azure 资源组和一个容器实例来托管机器学习 API。

main.tf/
provider "azurerm" {
  features {}
}
resource "azurerm_resource_group" "ml_rg" {
  name     = var.resource_group_name
  location = var.location
}
resource "azurerm_container_group" "ml_app" {
  name                = "ml-model-api"
  location            = azurerm_resource_group.ml_rg.location
  resource_group_name = azurerm_resource_group.ml_rg.name
  os_type             = "Linux"
  container {
    name   = "mlmodel"
    image  = var.container_image
    cpu    = "1.0"
    memory = "1.5"
    ports {
      port     = 80
      protocol = "TCP"
    }
  }
  ip_address_type = "public"
  dns_name_label  = var.dns_label
}

登录后复制

该方法的完整代码库（包括所有脚本和配置文件）可在 GitHub 上找到：https://github.com/yraj1457/MLOps