مقدمه
یکی از چالشهای همیشگی در دنیای نرمافزار، عبارت معروف «روی سیستم من کار میکرد» است. این مشکل زمانی جدیتر میشود که پای مدلهای یادگیری ماشین به میان میآید، زیرا وابستگیهای کتابخانهای متعددی دارند که ممکن است در سیستمهای مختلف به درستی نصب نشوند.
داکر (Docker) این مشکل را با معرفی مفهوم کانتینر حل میکند. یک کانتینر، محیطی ایزوله و سبک است که برنامه و تمام وابستگیهای آن را در خود جای میدهد. با استفاده از داکر، میتوانیم اطمینان حاصل کنیم که مدل ما روی هر سیستمی دقیقن به همان شکلی که در محیط توسعه اجرا میشده، اجرا خواهد شد.
بخش اول: داکر چیست و چگونه کار میکند؟
داکر یک پلتفرم متنباز است که به توسعهدهندگان امکان میدهد برنامههای خود را در محیطهای ایزوله به نام کانتینر (Container) بستهبندی، توزیع و اجرا کنند.
مفاهیم کلیدی داکر:
ما در ادامه قصد نداریم که داکر را بطور اختصاصی بشما بیاموزیم. اما در جدول ذیل بطور خلاصه سه مورد کلیدی این تکنولوژی را خدمت شما شرح خواهیم داد.
| مفهوم | توضیح ساده |
|---|---|
| تصویر (Image) | یک الگوی فقطخواندنی که شامل کد، کتابخانهها و تنظیمات اجرایی برنامه است. مانند یک قالب برای ساخت کانتینر. |
| کانتینر (Container) | یک نمونهی در حال اجرا از یک تصویر است. مانند یک خانهی ساختهشده از روی یک نقشه. |
| داکر فایل (Dockerfile) | یک فایل متنی شامل دستورالعملهای ساخت تصویر میباشد. مانند دستور پخت یک غذا. |
مزایای استفاده از داکر در پروژههای یادگیری ماشین:
- تکرارپذیری: اطمینان از این که مدل در هر محیطی به یک شکل اجرا میشود.
- جداسازی: هر کانتینر مستقل از دیگر کانتینرها اجرا میشود.
- قابلیت حمل: کانتینر را میتوان روی هر سیستمی که داکر نصب دارد، اجرا کرد.
- مقیاسپذیری: به راحتی میتوان چندین نمونه از یک کانتینر را اجرا کرد.
بخش دوم: نصب داکر
برای ویندوز:
- به وبسایت رسمی داکر به آدرس
docker.comبروید. - Docker Desktop for Windows را دانلود و نصب کنید.
- پس از نصب، داکر دسکتاپ را اجرا کنید. ممکن است نیاز به فعالسازی WSL 2 داشته باشید که خود داکر در حین نصب راهنمایی میکند.
- برای تأیید نصب موفق، در ترمینال (پاورشل) دستور زیر را اجرا کنید:
docker --version
خروجی باید مشابه Docker version 29.6.1 باشد. توجه بفرمائید که ورژن قید شده ورژن داکر در زمان نگارش این متن در سیستم بنده است. همچنین دقت کنید که داکر بشدت به آیپی ایران حساس است. برای راحت کار کردن با این تکنولوژی از این مقاله (چهار روش برای عبور از تحریم داکر) استفاده کنید که در آن روشهای برای دور زدن تحریمات داکر را ارائه میدهد.
برای مک:
- Docker Desktop for Mac را از وبسایت رسمی دانلود کنید.
- فایل را نصب و اجرا کنید.
- در ترمینال، دستور زیر را برای تأیید نصب اجرا کنید:
docker --version
برای لینوکس (اوبونتو/دبیان):
sudo apt update sudo apt install docker.io sudo systemctl start docker sudo systemctl enable docker docker --version
جهت دیدن روش نصب روی سایر توزیعها یا مشاهدهی مستندات اصلی داکر به این لینک مراجعه کنید.
بخش سوم: ساخت اولین داکر فایل (Dockerfile)
حالا یک فایل به نام Dockerfile (بدون پسوند) در ریشهی پروژهی خود ایجاد میکنیم:
# Dockerfile # گام اول: انتخاب تصویر پایه FROM python:3.13-slim # گام دوم: تنظیم متغیرهای محیطی ENV PYTHONDONTWRITEBYTECODE=1 ENV PYTHONUNBUFFERED=1 # گام سوم: تعیین مسیر کاری داخل کانتینر WORKDIR /app # گام چهارم: کپی فایلهای مورد نیاز COPY requirements.txt . COPY src/ ./src/ COPY models/ ./models/ # گام پنجم: نصب وابستگیها RUN pip install --no-cache-dir -r requirements.txt # گام ششم: مشخص کردن پورت پیشفرض EXPOSE 8000 # گام هفتم: دستور اجرای برنامه CMD ["python", "src/app.py"]
بخش چهارم: ایجاد فایل نیازمندیها (requirements.txt)
فایل requirements.txt را در ریشهی پروژه ایجاد کنید:
# requirements.txt fastapi==0.139.0 uvicorn==0.51.0 pandas==2.3.3 numpy==2.5.1 scikit-learn==1.9.0 python-multipart==0.0.6
نکته: نسخههای کتابخانهها را میتوانید با دستور زیر از محیط مجازی خود استخراج کنید:
pip freeze > requirements.txt
بخش پنجم: ساخت و اجرای کانتینر
ساخت تصویر داکر:
docker build -t house-price-predictor .
این دستور یک تصویر با نام (برچسب) house-price-predictor از دستورالعملهای موجود در Dockerfile میسازد.
مشاهدهی ایمیج ساخته شده:
اکنون با اجرای دستور docker images باید یک خروجی مشابه با زیر ببینید. در واقع باید مطمئن شوید که ایمیج “house-price-predictor:latest” ساخته شده است.

اجرای کانتینر:
docker run -p 8000:8000 house-price-predictor
این دستور یک کانتینر از تصویر ساختهشده اجرا میکند و پورت ۸۰۰۰ سیستم میزبان را به پورت ۸۰۰۰ داخل کانتینر متصل میسازد.
نکته مهم: در حال حاضر ما هنوز فایل app.py را نساختهایم. در نتیجه اجرای دستور فوق خطای زیر را بما نشان میدهد. برای رفع کامل این خطا باید تا دروس بعدی منتظر بمانید.
PS E:\Previous-Courses\Simple-MLOps-Text-Course\mlops-house-price> docker run -p 8000:8000 house-price-predictor python: can't open file '/app/src/app.py': [Errno 2] No such file or directory
اجرا در پسزمینه ( Detached mode):
docker run -d -p 8000:8000 --name ml-predictor house-price-predictor
توقف کانتینر:
docker stop ml-predictor
بخش ششم: مدیریت تصاویر و کانتینرها
| دستور | کاربرد |
|---|---|
docker images | نمایش لیست تصاویر ساختهشده |
docker ps | نمایش کانتینرهای در حال اجرا |
docker ps -a | نمایش همهی کانتینرها (در حال اجرا و متوقفشده) |
docker rm <container-id> | حذف یک کانتینر |
docker rmi <image-id> | حذف یک تصویر |
docker logs <container-id> | مشاهدهی خروجی کانتینر |
جمعبندی و تمرین
در این درس، با داکر و مفاهیم پایهی آن آشنا شدیم. یاد گرفتیم که چگونه یک Dockerfile بنویسیم، تصویر داکر بسازیم و کانتینر را اجرا کنیم. در درس بعدی، یک رابط برنامهنویسی (API) با فستایپیآی (FastAPI) برای مدل خود میسازیم تا بتوانیم پیشبینیها را از طریق وب دریافت کنیم.
تمرین پیشنهادی:
۱. داکر را روی سیستم خود نصب کنید.
۲. فایل Dockerfile و requirements.txt را در پروژه ایجاد کنید.
۳. تصویر داکر را با دستور docker build بسازید.
۴. کانتینر را اجرا کنید و از صحت عملکرد آن اطمینان حاصل کنید.
