1.编写机器学习代码

（1）新建一个 mlmodel.py

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
import joblib

# Load sample dataset
iris = load_iris()
X = iris.data
y = iris.target

# Split into features and target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Train a Logistic Regression model
model = LogisticRegression(max_iter=200)
model.fit(X_train,y_train)

# Evaluate the model
y_pred=model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, y_pred)}")
joblib.dump(model,'logistic_regression_model.pkl')

执行上述代码，生成模型文件；

2. 编写机器学习服务

在mlmodel.py同级目录下，新建一个app.py文件，插入如下内容：

from flask import Flask,request, jsonify
import joblib

model = joblib.load('logistic_regression_model.pkl')

app = Flask(__name__)

@app.route('/predict', methods=['POST'])
def predict():
  data = request.get_json()
  prediction = model.predict([data['features']])
  return jsonify({'prediction': int(prediction[0])})

if __name__ == '__main__':
  app.run(debug=True,port=6000,host="0.0.0.0")

注意这里host必须设置为0.0.0.0

3.编写Dockerfile文件

在app.py同级目录下，新建一个Dockerfile文件，插入如下内容：

FROM python:3.9-slim

WORKDIR /app

COPY . /app

RUN  pip install -r requirements.txt

EXPOSE 6000

CMD ["python", "app.py"]

4.编写依赖文件

在app.py同级目录下，新建一个requirements.txt文件，插入如下内容（该文件包含app.py运行所需要的库）：

flask
joblib
scikit-learn

5.构建Docker镜像和运行容器

打开终端，进入app.py同级目录下，
(1) 构建Docker镜像

docker build -t ml-model-api .

（2）运行Docker容器

docker run -p 5000:5000 ml-model-api

到此，你就可以通过api工具，如：apifox，去调用你的docker服务了。