你是不是也遇到过这种糟心事：花了好几天训练出的 Python 模型，在自己电脑上跑得顺顺当当，一放到服务器就各种报错。要么是 Python 版本不对，要么是依赖库冲突，折腾半天还是用不了。

别再喊 “我这能跑啊” 了！今天教你一个绝招 —— 容器化部署，把模型和它的 “生存环境” 打包在一起，到哪都能直接用，5 分钟搞定部署。

为啥模型总在服务器上 “罢工”？

小王是个数据分析师，前段时间训练了一个鸢尾花识别模型，用的是 Python 3.8 和 scikit-learn 1.0.2。可公司服务器上装的是 Python 3.6，scikit-learn 版本也不一样。

结果可想而知，模型在自己电脑上好好的，到服务器上直接 “趴窝”，报了一堆 “找不到模块” 的错误。

这就像把南方的鱼扔到北方的河里，水温、水质都变了，肯定活不了。而容器化部署，就相当于给鱼准备了一个 “恒温鱼缸”，到哪都能活得好好的。

容器化部署 3 大好处，用过都说好

1. 环境全一致：开发、测试、生产环境一模一样，你电脑能跑的，服务器肯定能跑

2. 互不干扰：每个模型的依赖单独隔离，装再多模型也不会乱糟糟

3. 部署超快速：原来 2 小时的配置工作，现在 5 分钟就能搞定

准备 3 样东西，新手也能上手

• 你的电脑：Windows、Mac、Linux 都行

• Docker 软件：打包容器用，免费开源，几十 MB 大小

• Python 环境：3.8 及以上版本，本地开发用

实战：把鸢尾花模型装进 “容器”

以鸢尾花识别模型为例，手把手教你容器化部署，最终实现通过网络接口提供预测服务。

第一步：做好模型服务

先在本地做好能正常运行的模型服务，分 3 步：

1. 训练并保存模型

# 训练鸢尾花模型

from sklearn.datasets import load_iris

from sklearn.ensemble import RandomForestClassifier

import joblib

# 加载数据

data = load_iris()

X, y = data.data, data.target

# 训练模型

model = RandomForestClassifier(n_estimators=100)

model.fit(X, y)

# 保存模型（先建个model文件夹）

joblib.dump(model, "model/iris_model.pkl")

print("模型保存成功")

运行后，model 文件夹里会出现 iris_model.pkl 文件。

2. 写个 API 接口

创建 app.py 文件，让模型能通过网络调用：

# 模型服务接口

import joblib

import numpy as np

from flask import Flask, request, jsonify

# 加载模型

model = joblib.load("model/iris_model.pkl")

# 标签对应花的种类

iris_labels = {0: '山鸢尾', 1: '变色鸢尾', 2: '维吉尼亚鸢尾'}

app = Flask(__name__)

# 预测接口

@app.route('/predict', methods=['POST'])

def predict():

# 获取输入数据

data = request.json.get('features')

if not data:

return jsonify({'错误': '请提供特征数据'}), 400

# 转换格式

try:

features = np.array(data).reshape(1, -1)

except ValueError:

return jsonify({'错误': '数据格式不对'}), 400

# 预测

pred = model.predict(features)[0]

prob = model.predict_proba(features)[0].max()

return jsonify({

'花的种类': iris_labels[pred],

'可信度': float(prob),

'模型版本': '1.0.0'

})

if __name__ == '__main__':

app.run(host='0.0.0.0', port=5000)

3. 列依赖库

创建 requirements.txt，列出需要的库：

flask==2.0.1

scikit-learn==1.0.2

joblib==1.1.0

numpy==1.21.5

gunicorn==20.1.0

本地测试一下：运行 app.py，在命令行输入

curl -X POST http://localhost:5000/predict -H "Content-Type: application/json" -d '{"features": [5.1, 3.5, 1.4, 0.2]}'

能返回结果，说明服务没问题。

第二步：写 “打包说明书” Dockerfile

在项目文件夹建一个 Dockerfile 文件（无扩展名）：

# 用Python 3.8基础镜像

FROM python:3.8-slim

# 设置工作目录

WORKDIR /app

# 复制依赖文件

COPY requirements.txt .

# 安装依赖，用国内源加速

RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 复制项目文件

COPY . .

# 暴露5000端口

EXPOSE 5000

# 启动命令

CMD ["gunicorn", "--bind", "0.0.0.0:5000", "app:app"]

再建个.dockerignore 文件，排除不用打包的内容：

venv/

.env

.idea/

.vscode/

*.log

__pycache__/

第三步：打包容器

打开命令行，进入项目文件夹，执行：

docker build -t iris-model:1.0.0 .

“iris-model:1.0.0” 是容器的名字和版本，第一次打包可能要等几分钟。

第四步：测试容器

打包好后，测试一下：

# 运行容器，映射5000端口

docker run -d -p 5000:5000 --name test-iris iris-model:1.0.0

用之前的 curl 命令测试，能返回结果就说明没问题。

要停止容器，用这两个命令：

docker stop test-iris

docker rm test-iris

第五步：部署到服务器

1. 服务器安装 Docker

2. 把项目文件传到服务器

3. 服务器上执行打包命令

4. 运行容器：

docker run -d -p 5000:5000 --restart always --name iris-service iris-model:1.0.0

“--restart always” 表示服务器重启后，容器会自动启动。

3 个实用技巧，让容器更好用

1. 减小容器体积：用多阶段构建，能减少 30%-50% 体积

# 第一阶段安装依赖

FROM python:3.8-slim as builder

WORKDIR /app

COPY requirements.txt .

RUN pip install --no-cache-dir --target=/app/deps -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 第二阶段复制需要的内容

FROM python:3.8-slim

WORKDIR /app

COPY --from=builder /app/deps /usr/local/lib/python3.8/site-packages

COPY . .

EXPOSE 5000

CMD ["gunicorn", "--bind", "0.0.0.0:5000", "app:app"]

2. 加健康检查：自动监控服务状态

docker run -d -p 5000:5000 \

--health-cmd "curl -f http://localhost:5000/predict || exit 1" \

--health-interval 30s \

--health-timeout 10s \

--health-retries 3 \

--name iris-service iris-model:1.0.0

3. 更安全运行：用普通用户身份运行容器

在 Dockerfile 加：

RUN useradd -m appuser

USER appuser

新手常踩的 3 个坑，这样解决

1. 安装 Docker 提示 WSL 2 不完整（Windows 用户）

打开 PowerShell（管理员），运行wsl --install，按提示安装后重启电脑。

2. 打包卡在 pip install

检查网络，确保用了国内源（Dockerfile 里的-i
https://pypi.tuna.tsinghua.edu.cn/simple）。

3. 运行容器后访问不了

先查容器是否运行（docker ps），端口是否映射对（-p 5000:5000），服务器防火墙是否放行 5000 端口。

总结

容器化部署真没那么复杂，就是给模型做个 “环境快照”。学会了这个方法，部署模型再也不用熬夜，省下时间多做几个好模型。

你部署模型时遇到过什么问题？欢迎在评论区分享，一起解决。觉得有用就点赞关注，后面分享更多实用技巧。