部署与 DevOps¶

部署是你的模型从研究产物变成产品的地方。本文涵盖用于机器学习的 Docker、模型推理、实验追踪、可重现性、生产环境监控、特征存储和管道编排——这些基础设施将一个训练好的模型从 notebook 带到数百万用户面前。

一个只在你笔记本电脑上运行的模型是原型。一个能够可靠地大规模运行、在毫秒内提供预测结果、能够从故障中恢复并在不中断服务的情况下更新的模型才是产品。两者之间的差距就是部署与 DevOps。
大多数机器学习工程师在部署、监控和调试生产问题上花费的时间比训练模型还多。理解这些基础设施对于任何构建真实 ML 系统的人来说都不是可选项。

用于机器学习的 Docker¶

我们在第 13 章（操作系统）中概念性地介绍了容器。这里我们关注实践方面：为机器学习工作负载编写 Dockerfile。
Dockerfile 是构建容器镜像的配方：

# 从官方的 CUDA 基础镜像开始
FROM nvidia/cuda:12.1.0-cudnn8-runtime-ubuntu22.04

# 系统依赖
RUN apt-get update && apt-get install -y \
    python3.11 python3-pip git \
    && rm -rf /var/lib/apt/lists/*

# Python 依赖（单独安装以利用缓存）
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# 复制源代码（频繁更改，因此此层放在最后）
COPY src/ /app/src/
COPY configs/ /app/configs/
WORKDIR /app

# 入口点
CMD ["python3", "src/scripts/serve.py", "--config", "configs/serve.yaml"]

层缓存：Docker 会缓存每一层。如果 requirements.txt 没有变化，pip install 在重新构建时会被跳过。将不常更改的层（系统包、pip 安装）放在频繁更改的层（源代码）之前。这将 10 分钟的构建变成 10 秒的重新构建。
GPU 访问：使用 nvidia/cuda 基础镜像，并使用 docker run --gpus all 运行。nvidia-container-toolkit 提供从宿主机到容器的 GPU 透传。
多阶段构建通过将构建环境与运行环境分离来减小镜像大小：

# 构建阶段：安装构建工具、编译依赖
FROM python:3.11 AS builder
COPY requirements.txt .
RUN pip install --user -r requirements.txt

# 运行阶段：仅运行环境依赖
FROM nvidia/cuda:12.1.0-cudnn8-runtime-ubuntu22.04
COPY --from=builder /root/.local /root/.local
COPY src/ /app/src/
ENV PATH=/root/.local/bin:$PATH

最终镜像只包含运行时库，不包含编译器、头文件或构建工具。一个 5GB 的构建镜像变成了 2GB 的运行镜像。
Docker Compose 运行多容器设置（模型服务器 + 负载均衡器 + 监控）：

# docker-compose.yml
services:
  model:
    build: .
    ports:
      - "8080:8080"
    deploy:
      resources:
        reservations:
          devices:
            - capabilities: [gpu]
  prometheus:
    image: prom/prometheus
    ports:
      - "9090:9090"

模型推理¶

模型推理是将推理作为服务运行：接收请求、运行模型、返回预测结果。
FastAPI（在文件 03 中介绍）适用于低到中等吞吐量的最简单方法。对于高吞吐量和 GPU 优化推理，使用专用工具：
Triton Inference Server（NVIDIA）：以 TensorRT、ONNX、PyTorch 和 TensorFlow 格式提供模型。特性：
- 动态批处理：收集单个请求并将它们分批处理以提高 GPU 效率。单个请求流被分组为 32 的批次，大幅提高吞吐量。
- 模型集成：在单个请求中链式调用多个模型（预处理器 → 模型 → 后处理器）。
- 多模型推理：在同一 GPU 上提供多个模型，共享资源。
- 并发模型执行：在同一 GPU 上并行运行多个推理请求。
TorchServe（PyTorch）：以 REST/gRPC API 提供 PyTorch 模型。支持模型版本控制、A/B 测试和自定义处理器。
vLLM：专门用于 LLM 推理。实现了 PagedAttention（高效的 KV 缓存管理）、连续批处理和跨 GPU 的张量并行。对于大语言模型，吞吐量比朴素推理高出 10-20 倍。
Cactus（github.com/cactus-compute/cactus）：一个用于移动端和边缘端设备推理的低延迟 AI 引擎。Cactus 提供兼容 OpenAI 的 API（聊天补全、流式传输、工具调用、转录、嵌入、RAG、视觉），完全在设备上运行，当本地模型无法处理请求时自动进行云回退。这种混合架构意味着你的应用程序代码使用相同的 API，无论推理是在本地还是在云端运行——引擎根据模型置信度和设备能力来决定。提供 Python、Swift、Kotlin、Flutter、React Native 和 Rust 的 SDK，以及 HuggingFace 上预转换的模型权重。支持多模态推理（LLM、视觉、语音），配备自定义 ARM SIMD 内核以实现 ARM CPU 上的最快推理，以及零拷贝内存映射以实现 10 倍 RAM 使用降低（第 16 章、第 17 章）。
模型格式优化：
- ONNX：用于互操作性的开放格式。从 PyTorch/TensorFlow 导出，在任何地方运行。
- TensorRT：NVIDIA 的优化器。融合层、选择最佳内核、量化权重。在 NVIDIA GPU 上通常比 PyTorch 快 2-5 倍。
- GGUF/GGML：适用于 CPU 高效推理的格式，在消费级硬件上运行 LLM 时很流行。

实验追踪¶

没有实验追踪，机器学习研究会退化为："我觉得上周二那个我改了些配置的模型是最好的，但我不记得改了啥。"
Weights & Biases（W&B）：最流行的实验追踪工具。从你的训练脚本中记录任何内容：

import wandb

wandb.init(project="my-project", config={
    "model": "transformer",
    "lr": 3e-4,
    "batch_size": 64,
})

for epoch in range(num_epochs):
    train_loss = train_one_epoch()
    val_loss = validate()

    wandb.log({
        "train/loss": train_loss,
        "val/loss": val_loss,
        "epoch": epoch,
    })

    # 将模型记录为产物
    if val_loss < best_loss:
        wandb.save("best_model.pt")

wandb.finish()

W&B 提供：用于比较运行的仪表板、超参数扫描工具、模型注册表、数据集版本控制和团队协作。
MLflow：开源替代方案。在本地或服务器上运行：

import mlflow

mlflow.set_experiment("my-experiment")

with mlflow.start_run():
    mlflow.log_params({"lr": 3e-4, "batch_size": 64})
    mlflow.log_metric("val_loss", 0.042, step=epoch)
    mlflow.pytorch.log_model(model, "model")

模型注册表：训练模型的中央存储，带版本控制、阶段（开发 → 预发布 → 生产）和元数据。W&B 和 MLflow 都提供注册表。注册表回答："当前生产环境中的是哪个模型，谁训练的，其验证准确率是多少，以及由哪个代码/数据产生？"

可重现性¶

可重现性意味着：给定相同的代码、数据和配置，产生相同的模型。这在机器学习中出奇地困难，因为 GPU 操作的非确定性、数据打乱和浮点数累积。
可重现性检查清单：

什么	如何做
代码版本	Git 提交哈希值
配置 / 超参数	配置文件（在 Git 中版本控制或记录到 W&B）
随机种子	设置并记录所有种子（Python、NumPy、PyTorch、CUDA）
数据版本	DVC 哈希值、数据集版本标签或 S3 对象版本
依赖项	`pip freeze`、Docker 镜像哈希值或锁定文件
硬件	GPU 类型、GPU 数量、CUDA 版本
非确定性	`torch.backends.cudnn.deterministic = True`（较慢但可重现）

锁定所有内容：pip install torch==2.2.1 而不是 torch>=2.0。次版本号升级可能改变数值行为、优化器实现或默认超参数。
使用 Docker 实现可重现性：Docker 镜像锁定了操作系统、系统库、Python 版本和 pip 包。镜像哈希值是完整的环境指纹。如果你能重现 Docker 镜像，就能重现训练。

生产环境监控¶

部署模型不是终点——而是一系列新问题的开始。随着现实世界的变化（概念漂移）以及输入数据分布的变化（数据漂移），模型会随时间推移而退化。
需要监控的内容：
- 延迟：推理需要多长时间？追踪 p50（中位数）、p95 和 p99。p99 为 500ms 意味着每 100 个用户中有 1 个要等待半秒钟，这可能不可接受。
- 吞吐量：每秒处理多少个请求？系统是否跟得上需求？
- 错误率：有多少比例的请求失败（异常、超时、无效输入）？
- 模型指标：在验证集上的准确率、精确率、召回率。如果生产环境中存在标注数据（例如用户纠正），追踪在线指标。
- 数据漂移：输入数据的分布是否发生了变化？在白天照片上训练的模型可能在夜间照片上失败。统计检验（KS 检验、PSI）将训练分布与在线分布进行比较。
- 特征漂移：单个特征的分布是否发生了变化？训练时呈正态分布但在生产时呈双峰分布的特征，表明数据管道存在问题。
工具：
- Prometheus + Grafana：基础设施监控的标准方案。Prometheus 收集指标，Grafana 将其可视化为带告警的仪表板。
- Evidently AI：开源机器学习监控。生成关于数据漂移、模型性能和数据质量的报告。
告警：不要只放在仪表板上——设置自动告警。"如果 p99 延迟超过 200ms 持续 5 分钟，发送 Slack 通知。""如果数据漂移评分超过阈值，通知值班工程师。"

特征存储¶

特征存储是预计算特征的集中式仓库，在训练和推理之间共享。它解决两个问题：
- 训练-推理偏差：训练期间使用的特征必须与推理期间使用的特征完全相同。如果训练使用一种方式计算的 user_age_at_signup，而推理使用不同的方式计算，模型的预测结果会静默出错。
- 特征复用：多个模型通常使用相同的特征（用户人口统计、物品嵌入、聚合统计）。计算一次并共享，避免了重复和不一致性。
Feast 是最流行的开源特征存储。它管理在线特征（低延迟，从 Redis 或 DynamoDB 提供）和离线特征（批处理，存储在数据仓库中用于训练）。
特征存储对于推荐系统、欺诈检测以及任何特征从原始数据管道计算而来的应用都至关重要。

管道编排¶

生产级机器学习系统不仅仅是模型。它是一个管道：数据采集 → 预处理 → 特征计算 → 训练 → 评估 → 部署 → 监控。每个步骤依赖于前一步骤，可以独立失败，可能需要在不同的时间表上运行。
编排器管理这些管道：
Apache Airflow：数据管道编排的标准方案。DAG（有向无环图）定义任务依赖关系。每个任务独立运行，失败时可以重试，并通过 Web UI 进行监控。

# airflow DAG 示例（简化）
from airflow import DAG
from airflow.operators.python import PythonOperator

dag = DAG("training_pipeline", schedule="@daily")

preprocess = PythonOperator(task_id="preprocess", python_callable=preprocess_data, dag=dag)
train = PythonOperator(task_id="train", python_callable=train_model, dag=dag)
evaluate = PythonOperator(task_id="evaluate", python_callable=evaluate_model, dag=dag)
deploy = PythonOperator(task_id="deploy", python_callable=deploy_model, dag=dag)

preprocess >> train >> evaluate >> deploy

Kubeflow Pipelines：在 Kubernetes 上运行机器学习特定编排。每个步骤在容器中运行，GPU 资源按需分配，实验自动追踪。
Prefect 和 Dagster：Airflow 的现代替代方案，拥有更好的开发者体验、原生 Python API 和内置数据血缘追踪。
何时需要编排：当你的管道有超过 2-3 个步骤、按计划运行、涉及多个团队或服务、或需要自动故障恢复时。单一脚本的训练任务不需要编排器。每天重新训练的管道——从 5 个数据源采集数据、训练 3 个模型、评估它们并部署最佳模型——绝对需要。