如果我已经将模型作为 pickle，为什么我需要在 docker 容器中使用 sklearn？
Why do I need sklearn in docker container if I already have the model as a pickle?
我腌制了一个模型，只想公开写在 Flask 中的 prediction api。但是，当我编写一个 dockerfile 来制作其中没有 sklearn 的图像时，我得到一个错误 ModuleNotFoundError: No module named 'sklearn.xxxx'，其中 xxx 指的是 sklearn 的 ML 算法 classes，在这一点上我正在使用像 classifier = pickle.load(f) 这样的 pickle 加载模型。
当我重写 dockerfile 来制作一个也有 sklearn 的图像时，即使在 API 我 never 导入 sklearn.
我的酸洗概念非常简单，它会将 classifier class 及其所有数据序列化。所以当我们解开它时，因为 classifier class 已经有一个 predict 属性，我们可以直接调用它。为什么我需要在环境中有sklearn？
泡菜只是模型内部数据的表示。您仍然需要代码才能使用它，这就是为什么您需要在容器中包含 sklearn。
你对 pickle 的工作原理有误解。
它不会 序列化任何东西，实例状态除外（__dict__ 默认情况下，或自定义实现）。取消腌制时，它只是尝试创建相应 class 的实例（这是您的导入错误）并设置腌制状态。
这是有原因的：你事先不知道load之后会用到什么方法，所以你不能pickle实现。除此之外，在泡菜时间你不能构建一些 AST 来查看反序列化后需要什么 methods/modules ，主要原因是 python 的动态性质 - 你的实现实际上可以根据输入。
毕竟，即使假设理论上我们有智能的独立 pickle 序列化，它也将是单个文件中的实际模型 + sklearn，没有适当的方法来管理它。
我腌制了一个模型，只想公开写在 Flask 中的 prediction api。但是，当我编写一个 dockerfile 来制作其中没有 sklearn 的图像时，我得到一个错误 ModuleNotFoundError: No module named 'sklearn.xxxx'，其中 xxx 指的是 sklearn 的 ML 算法 classes，在这一点上我正在使用像 classifier = pickle.load(f) 这样的 pickle 加载模型。
当我重写 dockerfile 来制作一个也有 sklearn 的图像时，即使在 API 我 never 导入 sklearn.
我的酸洗概念非常简单，它会将 classifier class 及其所有数据序列化。所以当我们解开它时，因为 classifier class 已经有一个 predict 属性，我们可以直接调用它。为什么我需要在环境中有sklearn？
泡菜只是模型内部数据的表示。您仍然需要代码才能使用它，这就是为什么您需要在容器中包含 sklearn。
你对 pickle 的工作原理有误解。
它不会 序列化任何东西，实例状态除外（__dict__ 默认情况下，或自定义实现）。取消腌制时，它只是尝试创建相应 class 的实例（这是您的导入错误）并设置腌制状态。
这是有原因的：你事先不知道load之后会用到什么方法，所以你不能pickle实现。除此之外，在泡菜时间你不能构建一些 AST 来查看反序列化后需要什么 methods/modules ，主要原因是 python 的动态性质 - 你的实现实际上可以根据输入。
毕竟，即使假设理论上我们有智能的独立 pickle 序列化，它也将是单个文件中的实际模型 + sklearn，没有适当的方法来管理它。