Création d'un modèle de Machine Learning et d'un api en production via Docker & Google Cloud Platform
Dossier API :
Un fichier main.py qui permet de créer l'api avec FastAPI en se basant sur le modèle ML
Dossier Data :
Un fichier penguins.csv correspondant au jeu de données nécessaire à la création du modèle de ML
Un dossier Front :
Dossier composé de index.html, script.js et d'un style.css permettant la création d'une page web et l'appel à l'API
Un dossier Notebooks :
Un fichier viz.ipynb qui représente l'analyse du jeu de données ainsi que l'élaboration du modèle de Machine Learning permettant de prédire l'espèce d'un pingouin
Un dosssier pkg_ml_prod :
Dossier composé de __init__.py, get_data.py, model_predictions.py, model.py, pipeline.py, preprocessing.py.
Ces fichiers permettent de mieux structurer l'architecture de la création du modèle de ML déjà réalisé dans le fichier viz.py
Un dossier scripts :
Vous pouvez créer des scripts afin d'executer certaines commandes automatiquement
Fichiers CONFIG :
.dockerignore permet de déclarer des fichiers que vous ne souhaitez pas envoyer sur Docker
.gitignore permet de déclarer des fichiers que vous ne souhaitez pas envoyer sur Github
Dockerfile permet de créer l'image Docker
Makefile permet d'exécuter un ensemble d'actions, comme la compilation d'un projet, l'archivage de document, la mise à jour de site, etc
requirements.txt permet de déclarer les librairies souhaitées ou nécessaires lors de l'installation pour le bon fonctionnement de l'app
setup.py permet de créer un pkg en python si vous le souhaitez
1 – Installer le gcp CLI => https://cloud.google.com/sdk
2 – Créer un projet sur GCP :
gcloud projects create project_id
3 – Construire l'image directement sur GCP:
gcloud builds submit "path_to_directory " -–tag=gcr.io/project_id/image_name
Note : L'id du projet doit être le même que celui que vous avez fourni dans l'étape 2
Si besoin vous pouvez trouver vos projets à cette adresse https://console.cloud.google.com/home/ et l'id du projet ici :
Une fois cela terminé, vous pourrez voir votre conteneur dans votre Cloud Storage : https://console.cloud.google.com/storage/
4 - Maintenant c'est l'heure de faire tourner votre image créée sur GCP:
gcloud run deploy –image gcr.io/project_id/image_name
5 – Bien joué, vous pouvez maintenant accéder à votre grâce à l'url fournie
Lien vers le site : https://penguinsfront.herokuapp.com/
Lien vers l'API : https://jeanneymar-r64mctjkzq-ew.a.run.app/predict