小白无痛入门Docker！核心概念+手动配置+AI模型部署（全可复制指令）-育师

一、Docker是个啥？（通俗人话版）

1. 核心比喻

以前开发项目：本地能跑、服务器炸、环境报错、依赖冲突，堪称玄学部署。

Docker = 项目专属打包盒

你把代码、依赖、环境、配置全部打包进盒子，在哪打开都能完美运行，彻底解决“本地能跑线上不行”的千古难题。

2. 3个核心名词（必记）

镜像（Image）：打包好的模板（相当于安装包、系统快照），只读不可改
容器（Container）：镜像跑起来的实例（相当于打开的软件），可启停、可删除
仓库（Registry）：存放镜像的商店（默认是Docker Hub，公共镜像随便拉）

3. Docker vs 虚拟机（秒懂区别）

虚拟机：笨重、开机慢、占内存，整套系统完整模拟
Docker：轻量、秒启动、几乎不占资源，只隔离项目环境，不重复装系统

二、Docker基础环境+高频指令（可直接复制）

默认已安装Docker Desktop/Linux Docker，所有指令全局通用。

1. 基础查看指令

# 查看Docker版本（验证安装成功） docker -v 查看本地所有镜像 docker images 查看正在运行的容器 docker ps 查看所有容器（包含已停止） docker ps -a 查看系统信息、磁盘占用 docker info

2. 镜像操作核心指令

# 拉取官方镜像（以python3.10为例） docker pull python:3.10-slim 删除本地镜像 docker rmi 镜像ID/镜像名 搜索镜像 docker search python

3. 容器启停操作（最高频）

# 启动容器（后台运行、端口映射、命名） docker run -d --name test-python -p 8000:8000 python:3.10-slim 停止容器 docker stop 容器ID/容器名 重启容器 docker restart 容器ID/容器名 删除容器（必须先停止） docker rm 容器ID/容器名 进入容器内部终端 docker exec -it 容器名 /bin/bash

4. 懒人清理指令（必存）

# 清理所有停止的容器、无用镜像、缓存 docker system prune -y

三、Docker手动配置全流程（自定义镜像）

重点来了！不使用现成镜像，手动从零配置项目环境，理解打包原理，模型部署必备！核心：通过 Dockerfile 手动编写配置，自定义依赖、端口、启动命令。

1. 新建项目目录结构

随便建一个空文件夹，放入2个核心文件：

Dockerfile：镜像配置文件（无后缀，纯文本）
requirements.txt：项目依赖

2. 手动编写Dockerfile（通用模板）

直接复制，适配Python项目/AI模型项目，注释详细可自行修改

# 1. 基础镜像（轻量化python3.10） FROM python:3.10-slim 2. 设置工作目录（容器内路径） WORKDIR /app 3. 替换国内源（解决下载慢、超时） RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 4. 复制依赖文件并安装 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt 5. 复制项目所有代码到容器 COPY . . 6. 暴露端口（和启动端口对应） EXPOSE 8000 7. 容器启动默认命令 CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

3. 编写依赖文件 requirements.txt

模型部署常用依赖，直接复制

fastapi uvicorn torch transformers accelerate sentencepiece

4. 手动构建镜像+启动容器

# 在当前目录构建镜像，命名为ai-model-service docker build -t ai-model-service:v1 . 后台启动容器，端口映射+挂载模型目录 docker run -d --name ai-model-container -p 8000:8000 -v ./models:/app/models ai-model-service:v1

参数解释（小白必懂）：

-d：后台守护运行，关闭终端不中断
-p 宿主机端口:容器端口：端口映射，外部可访问服务
-v 宿主机目录:容器目录：文件挂载，模型/数据持久化，删除容器不丢数据

四、Docker 完整AI模型部署实战（可直接上线）

前面手动配置铺垫完成，这里直接实战：轻量化大模型API服务部署，零基础一键部署可用。

1. 编写模型服务 main.py

极简推理服务，支持接口调用模型

from fastapi import FastAPI from transformers import AutoModel, AutoTokenizer app = FastAPI(title="Docker模型部署服务") 加载轻量化模型（可替换任意模型） model_name = "qwen/Qwen-0.5B-Chat" tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) model = AutoModel.from_pretrained(model_name, trust_remote_code=True) 推理接口 @app.post("/predict") def predict(text: str): inputs = tokenizer(text, return_tensors="pt") outputs = model.generate(**inputs, max_length=100) res = tokenizer.decode(outputs[0], skip_special_tokens=True) return {"result": res}

2. 新增 .dockerignore（优化打包）

忽略无用文件，减小镜像体积

__pycache__ *.pyc *.log .git .gitignore models/* !models/.keep

3. 一键部署全套指令

# 重新构建镜像（更新代码后必执行） docker build -t ai-model-service:v1 . 启动模型容器 docker run -d --name llm-service -p 8000:8000 ai-model-service:v1 查看容器日志（排查报错） docker logs -f llm-service

4. 测试模型接口（部署成功验证）

# curl调用测试 curl -X POST "http://localhost:8000/predict" -H "Content-Type: application/json" -d '{"text":"你好，Docker模型部署"}'

返回推理结果 = 部署成功！

5. GPU模型部署进阶（刚需）

有N卡需要GPU加速，启动容器增加GPU参数，需提前安装nvidia-docker

docker run -d \ --name gpu-model-service \ --gpus all \ -p 8000:8000 \ ai-model-service:v1

五、Docker核心逻辑总结（小白速记）

Docker解决的核心问题：环境不一致、部署繁琐、依赖冲突
手动配置核心：编写Dockerfile → 构建镜像 → 运行容器 → 挂载持久化
模型部署核心：打包运行环境+模型依赖 → 暴露端口 → 提供API推理服务
生产必备操作：端口映射、文件挂载、后台运行、日志排查、镜像轻量化

六、写在最后

这篇博客避开了所有空洞理论，全部是新手能直接落地的手动配置+模型部署实战。日常开发、模型上线、项目迁移，这套流程完全够用，敲两遍就能彻底吃透Docker基础部署！

小白无痛入门Docker！核心概念+手动配置+AI模型部署（全可复制指令）