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。