详细内容或原文请订阅后点击阅览
5个简单的步骤来掌握数据科学的Docker
Docker使数据科学工作流更加一致和便携。本指南将其分解为五个简单实用的步骤。
来源:KDnuggets数据科学项目因其复杂的依赖性，版本冲突和“在我的机器上起作用”问题而臭名昭著。有一天，您的模型在本地设置上完美运行，第二天，同事无法重现您的结果，因为它们具有不同的Python版本，缺少库或不兼容的系统配置。
这是Docker进来的地方。Docker通过将您的整个应用程序（代码，依赖项，系统库和运行时）包装包装到数据科学中的可重复性危机中，以跨环境始终运行的轻便，便携式容器。
docker＃为什么要专注于数据科学的Docker？
＃数据科学工作流程具有独特的挑战，使容器化特别有价值。与传统的Web应用程序不同，数据科学项目涉及大量数据集，复杂的依赖链以及经常变化的实验工作流程。
依赖性地狱：数据科学项目通常需要特定版本的Python，R，Tensorflow，Pytorch，Cuda驱动程序以及其他数十个库。单个版本不匹配会破坏您的整个管道。传统的虚拟环境有帮助，但它们没有捕获诸如CUDA驱动程序或编译库等系统级依赖关系。
依赖性地狱 python r TensorFlow pytorch cuda可重复性：实际上，其他人应该能够在几周或几个月后重现您的分析。因此，Docker消除了“我的机器上的工作”问题。
可重复性部署：当您的开发环境与您的部署环境相匹配时，从Jupyter笔记本电脑转变为生产变得非常流畅。由于图书馆版本差异，精心调整的模型在生产中失败时，就不会再出现了。
部署实验：是否想尝试其他版本的Scikit-Learn或测试新的深度学习框架？容器可让您安全地进行实验，而不会破坏主要环境。您可以并排运行多个版本并比较结果。
// pandas