一种基于docker快速部署深度学习模型文件的方法技术

本发明专利技术涉及模型部署领域，提供了一种基于docker快速部署深度学习模型文件的方法。目的在于解决风控领域中深度学习模型部署效率低这一痛点。主要方案包括构建部署，设置环境变量，PYTHON_VERSI0N主要用以设置Python Tags，可以在Docker Hub上查看所有Tags；构建镜像，指定要在其上构建镜像的Python镜像，在python

【技术实现步骤摘要】
一种基于docker快速部署深度学习模型文件的方法


[0001]本专利技术涉及风险模型部署领域，具体是一种基于docker快速部署深度学习模型文件的方法。

技术介绍

[0002]在信贷业务中，模型是风险防控的重要组成部分，而机器学习和深度学习是人工智能领域的两大热点，两者在信贷业务中部署的方式有着较大区别。
[0003]在国内国外金融风控领域大致分为两个流派，其中一派为具有统计学背景的人，分布在银行、金融消费公司等传统的金融领域，偏好评分卡进行建模。另外一派则是具有互联网背景的新兴探索者，将机器学习、深度学习等方法运用于金融风控领域，相对于机器学习，基于深度学习开发的模型在上线部署时存在流程复杂且效率低的问题，通过docker可有效弥补这一缺点。

技术实现思路

[0004]本专利技术的目的在于解决信贷业务各场景下基于深度学习开发的模型部署效率低的问题，探索更快捷有效且准确的方法。
[0005]本专利技术为了解决上述技术问题，采用以下技术方案：
[0006]一种基于docker快速部署深度学习模型文件的方法，包括以下步骤：
[0007]步骤1、构建部署，在部署模型前需构建可用的环境，环境变量的配置；
[0008]步骤2、构建镜像，基于D项目根目录下的ockerfile文件，利用Docker命令基于该文件构建一个镜像；
[0009]步骤3、依赖包管理，梳理项目依赖的包并添加至requirements；
[0010]步骤4、容器配置，开发的应用程序通过容器部署，确保了应用程序构建的环境是干净的，从而消除了交付过程中的意外情况；
[0011]步骤5、启动容器，启动容器后查看镜像及容器信息，运行成功后刷新配置文件：
[0012]步骤6、进行代码封装，形成可泛化使用的标准化工具，使得生产可直接调用，贷前贷中及时响应并处置。
[0013]上述技术方案中，步骤1包括以下步骤：
[0014]步骤1.1：在.env文件中配置PYTHON_VERSION用来设置Python Tags，可以在Docker Hub上查看所有Tags；
[0015]步骤1.2：在.env文件中配置PYTHON_PORT设置为本地映射容器端口；
[0016]上述技术方案中，步骤2包括以下步骤：
[0017]步骤2.1：指定项目需构建的Python镜像，由Docker组织提供的官方镜像，该Python镜像版本由环境变量PYTHON_VERSION设置，我们为该镜像命名python
‑
base；
[0018]步骤2.2：设置环境变量以正确设置语言环境，阻止Python生成.pyc文件，并在segfaults上启用Python追溯；
[0019]步骤2.3：使用python
‑
base镜像开始新的构建阶段。我们将在python
‑
deps映像中安装所有Python依赖项；
[0020]上述技术方案中，步骤3包括以下步骤：
[0021]步骤3.1：在requirements文件中添加项目需要依赖的包，如：Django，djangorestframework，pyDes，PyMySQL，redis，requests，pyodbc，paramiko，psutil等；
[0022]步骤4包括以下步骤：
[0023]步骤4.1：用command命令在docker
‑
compose中配置容器；
[0024]步骤5包括以下步骤：
[0025]步骤5.1：运行docker
‑
compose up
‑
d命令自动构建镜像并启动容器；
[0026]步骤5.2：运行docker images查看镜像；
[0027]步骤5.3：运行docker
‑
compose ps
‑
a查看镜像；
[0028]因为本专利技术采用上述技术方案，因此具备以下有益效果：
[0029]1、本专利技术将docker引擎引入风控信贷模型部署领域，为从业者在依靠深度学习模型部署时是否可靠提供参考标准，考虑到了信贷领域深度学习模型部署效率低，过程繁琐的问题。
[0030]2、本专利技术采用docker引擎部署深度学习模型的方法，先针对风控场景下深度学习模型部署可能影响上线的问题，利用docker引擎部署深度学习模型。这种方式避免了项目部署速度慢、资源浪费、迁移难且扩展低的问题。
[0031]3、本专利技术将上述模式实验的计算过程最终封装成标准化的函数，使用者只需将深度学习的底层文件嵌入docker，即可自动生成镜像文件，便于部署上线具备较强的复用性。
具体实施方式
[0032]步骤1、模型获取，以离线的方式获取深度学习开发的.py模型文件demo及线上接口文档；
[0033]步骤2、构建部署，在部署模型前需构建可用的环境，包括torch，torch_sparse，torch_geometric等深度学习框架，配置环境变量；
[0034]步骤3、构建镜像，基于项目根目录下的Dockerfile文件，利用Docker命令基于开发好的.py模型文件构建一个镜像；
[0035]步骤4、依赖包管理，梳理项目依赖的包并添加至requirements；
[0036]步骤5、容器配置，开发的应用程序通过容器部署，确保了应用程序构建的环境是干净的，从而消除了交付过程中的意外情况；
[0037]步骤6、启动容器，启动容器后查看镜像及容器信息，运行成功后刷新配置文件；
[0038]步骤7、暴露端口与步骤2.1中PYTHON_PORT保持一直，将IP切换成虚拟机的IP访问系统，将服务暴露给使用方。
[0039]步骤8、进行代码封装，形成可泛化使用的标准化工具，使得生产可直接调用，贷前贷中及时响应并处置。
[0040]上述技术方案中，步骤2包括以下步骤：
[0041]步骤2.1：在.env文件中配置PYTHON_VERSION并将PYTHON_PORT设置为本地映射容器端口，使容器的python版本与模型文件中的python环境一致。
[0042]上述技术方案中，步骤3包括以下步骤：
[0043]步骤3.1：指定项目需构建的Python镜像，由Docker组织提供的官方镜像，该Python镜像版本由环境变量PYTHON_VERSION设置，我们为该镜像命名python
‑
base；
[0044]步骤3.2：设置环境变量以正确设置语言环境，在segfaults上启用Python追溯，便于后续模型文件更新；
[0045]步骤3.3：使用步骤3.1中构建的python
‑
base镜像开始新的构建阶段。我们将在python
‑
deps映像中安装所有Python依赖项；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于docker快速部署深度学习模型文件的方法，其特征在于，包括以下步骤：步骤0、模型获取，以离线的方式获取深度学习开发的.py模型文件demo及线上接口文档；步骤1、构建部署，在部署模型前需构建可用的环境，包括torch，torch_sparse，torch_geometric深度学习框架，配置环境变量；步骤2、构建镜像，基于项目根目录下的Dockerfile文件，利用Docker命令基于开发好的.py模型文件构建一个镜像；步骤3、依赖包管理，梳理项目依赖的包并添加至requirements；步骤4、容器配置，开发的应用程序通过容器部署，确保了应用程序构建的环境是干净的，从而消除了交付过程中的意外情况；步骤5、启动容器，启动容器后查看镜像及容器信息，运行成功后刷新配置文件；步骤6、进行代码封装，形成可泛化使用的标准化工具，使得生产可直接调用，贷前贷中及时响应并处置。2.根据权利要求1所述的一种基于docker快速部署深度学习模型文件的方法，其特征在于，步骤1包括以下步骤：步骤1.1：在.env文件中配置PYTHON_VERSION并将PYTHON_PORT设置为本地映射容器端口，使容器的python版本与模型文件中的python环境一致。3.根据权利1所述的一种基于docker快速部署深度学习模型文件的方法，其特征在于，步骤2包括以下步骤：步骤2.1：指定项目需构建的Python镜像，由Docker组织提供的官方镜像，该Python镜像版本由环境变量PYTHON_VERSION设置，为该镜...

【专利技术属性】
技术研发人员：李诗宇，兰翔，陈刚，边志强，
申请(专利权)人：武汉众邦银行股份有限公司，
类型：发明
国别省市：