AI 模型容器化：Dockerfile 与 K8s 部署指南

容器化技术可显著提升AI模型的部署效率和环境一致性。本指南分三部分：

1. Dockerfile 编写
2. 本地镜像构建与测试
3. Kubernetes 集群部署

---

1. Dockerfile 编写指南

核心原则：最小化镜像体积、明确依赖、隔离环境。

# 使用轻量级基础镜像
FROM python:3.9-slim

# 设置工作目录
WORKDIR /app

# 安装系统依赖（以TensorFlow为例）
RUN apt-get update && apt-get install -y libgl1-mesa-glx

# 复制依赖清单并安装Python包
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# 复制模型代码与权重文件
COPY model.py .
COPY weights.h5 .

# 暴露服务端口（如Flask应用的5000端口）
EXPOSE 5000

# 启动命令（示例：启动Flask服务）
CMD ["python", "model.py"]

关键优化：

• 使用多阶段构建分离编译环境与运行时环境
• 通过.dockerignore排除无关文件（如日志、临时文件）
• 依赖安装顺序：先系统级依赖，再Python包

---

2. 本地镜像构建与测试

步骤：

# 构建镜像（-t指定标签）
docker build -t ai-model:v1 .

# 运行容器测试
docker run -p 5000:5000 ai-model:v1

# 验证服务（另开终端）
curl http://localhost:5000/predict -X POST -d '{"input": [1.2, 3.4]}'

测试要点：

• 日志是否正常输出
• API响应是否符合预期
• 资源占用监控（docker stats）

---

3. Kubernetes 部署

核心组件：

• Deployment：管理Pod副本
• Service：暴露服务端点
• ConfigMap：配置管理

部署文件示例：

# deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: ai-model-deploy
spec:
  replicas: 3
  selector:
    matchLabels:
      app: ai-model
  template:
    metadata:
      labels:
        app: ai-model
    spec:
      containers:
      - name: model-container
        image: ai-model:v1
        ports:
        - containerPort: 5000
        resources:
          limits:
            memory: "2Gi"
            cpu: "1"

---
# service.yaml
apiVersion: v1
kind: Service
metadata:
  name: ai-model-service
spec:
  selector:
    app: ai-model
  ports:
    - protocol: TCP
      port: 80
      targetPort: 5000
  type: LoadBalancer

部署流程：

# 应用配置
kubectl apply -f deployment.yaml
kubectl apply -f service.yaml

# 验证状态
kubectl get pods -l app=ai-model
kubectl get svc ai-model-service

高级配置：

• Horizontal Pod Autoscaler：根据CPU/内存自动扩缩容
• PersistentVolume：挂载模型权重等持久化数据
• Ingress：统一管理外部访问路由

---

常见问题排查

问题现象	解决方案
容器启动失败	kubectl logs <pod-name>
API响应延迟高	调整Pod资源限制/增加副本数
镜像拉取权限错误	创建imagePullSecret

最佳实践：

1. 使用CI/CD管道自动化镜像构建与部署
2. 通过helm管理复杂应用模板
3. 监控：集成Prometheus收集性能指标

通过容器化，AI模型可实现一次构建，随处运行，大幅降低从开发到生产的运维复杂度。