10 Docker प्रोजेक्ट आइडियाज़: शुरुआती से उन्नत तक

मध्यवर्ती स्तर के Docker प्रोजेक्ट्स

निम्न प्रोजेक्ट्स उनके लिए हैं जिन्हें Docker की बुनियादी समझ अच्छी है। ये आपको मल्टी-स्टेज बिल्ड्स और ऑप्टिमाइज़ेशन तकनीकों जैसे अधिक जटिल कॉन्सेप्ट्स से परिचित कराएँगे।

प्रोजेक्ट 4: Node.js ऐप्लिकेशन के लिए मल्टी-स्टेज बिल्ड

मल्टी-स्टेज बिल्ड्स, बिल्ड और रनटाइम वातावरण को अलग करके Docker इमेज का आकार कम करने में मदद करते हैं। इस प्रोजेक्ट में, आप मल्टी-स्टेज बिल्ड्स का उपयोग करके एक Node.js ऐप्लिकेशन को कंटेनराइज़ करेंगे।

कठिनाई स्तर: मध्यवर्ती

उपयोग की गई तकनीकें: Docker, Node.js, Nginx

चरण-दर-चरण निर्देश

• एक साधारण Node.js ऐप बनाएँ: एक बेसिक Node.js सर्वर लिखें जो एक साधारण संदेश लौटाए। उदाहरण:

const express = require('express');
const app = express();
 
app.get('/', (req, res) => res.send('Hello from Node.js'));
 
app.listen(3000, () => console.log('Server running on port 3000'));संचालित द्वारा

• मल्टी-स्टेज बिल्ड वाला Dockerfile लिखें: पहला स्टेज ऐप को बिल्ड करता है, और दूसरा स्टेज हल्की बेस इमेज के साथ ऐप चलाता है।

# Stage 1: Build
FROM node:14 as build-stage
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
# Add the following line if there's a build step for the app
# RUN npm run build

# Stage 2: Run
FROM node:14-slim
WORKDIR /app
COPY --from=build-stage /app .
EXPOSE 3000
ENV NODE_ENV=production
CMD ["node", "server.js"]संचालित द्वारा

• इमेज बनाएं:

docker build -t node-multi-stage .संचालित द्वारा

• कंटेनर चलाएँ:

docker run -p 3000:3000 node-multi-stageसंचालित द्वारा

प्रोजेक्ट 5: TensorFlow के साथ मशीन लर्निंग मॉडल को Docker में पैकेज करना

यह प्रोजेक्ट TensorFlow का उपयोग करके एक मशीन लर्निंग मॉडल को कंटेनराइज़ करने से जुड़ा है। उद्देश्य एक पोर्टेबल वातावरण बनाना है जहाँ आप विभिन्न सिस्टम्स पर TensorFlow मॉडल्स underlying सेटअप की चिंता किए बिना चला सकें।

कठिनाई स्तर: मध्यवर्ती

उपयोग की गई तकनीकें: Docker, TensorFlow, Python

चरण-दर-चरण निर्देश

• Python स्क्रिप्ट में TensorFlow इंस्टॉल करें: model.py नाम की स्क्रिप्ट बनाएँ जो प्री-ट्रेंड TensorFlow मॉडल को लोड और रन करे:

import tensorflow as tf
model = tf.keras.applications.MobileNetV2(weights='imagenet')
print("Model loaded successfully")संचालित द्वारा

• Dockerfile लिखें: Docker के अंदर TensorFlow के लिए वातावरण परिभाषित करें:

FROM tensorflow/tensorflow:latest
WORKDIR /app
COPY . .
CMD ["python", "model.py"]संचालित द्वारा

• इमेज बनाएं:

docker build -t tensorflow-model .संचालित द्वारा

• कंटेनर चलाएँ:

docker run tensorflow-modelसंचालित द्वारा

प्रोजेक्ट 6: Jupyter और Docker के साथ डेटा साइंस वातावरण बनाना

यह प्रोजेक्ट Docker और Jupyter notebooks का उपयोग करके एक पुनरुत्पादन योग्य डेटा साइंस वातावरण बनाने पर केंद्रित है। इस वातावरण में pandas, NumPy, और scikit-learn जैसी लोकप्रिय Python लाइब्रेरीज़ शामिल होंगी।

कठिनाई स्तर: मध्यवर्ती

उपयोग की गई तकनीकें: Docker, Jupyter, Python, scikit-learn

चरण-दर-चरण निर्देश

• docker-compose.yml फ़ाइल बनाएँ: Jupyter Notebook सर्विस और आवश्यक लाइब्रेरीज़ परिभाषित करें। उदाहरण:

version: '3'
services:
  jupyter:
    	image: jupyter/scipy-notebook
    	ports:
    	- "8888:8888"
    	volumes:
    	- ./notebooks:/home/joelwembo/workसंचालित द्वारा

• Jupyter Notebook शुरू करें: Jupyter Notebook शुरू करने के लिए Docker Compose का उपयोग करें।

docker-compose upसंचालित द्वारा

• Jupyter Notebook एक्सेस करें: अपने ब्राउज़र में http://localhost:8888 पर जाएँ।

उन्नत स्तर के Docker प्रोजेक्ट्स

ये उन्नत-स्तरीय प्रोजेक्ट्स वास्तविक दुनिया के अनुप्रयोगों और उन्नत Docker कॉन्सेप्ट्स पर केंद्रित होंगे, जैसे डीप लर्निंग पाइपलाइन्स और ऑटोमेटेड डेटा पाइपलाइन्स।

प्रोजेक्ट 7: एक Python ऐप्लिकेशन के लिए Docker इमेज का आकार घटाना

इस प्रोजेक्ट में, आप Alpine Linux जैसी न्यूनतम बेस इमेज का उपयोग करके और मल्टी-स्टेज बिल्ड्स लागू करके एक Python ऐप्लिकेशन की Docker इमेज को ऑप्टिमाइज़ करेंगे ताकि इमेज का आकार यथासंभव छोटा रहे।

कठिनाई स्तर: उन्नत

उपयोग की गई तकनीकें: Docker, Python, Alpine Linux

चरण-दर-चरण निर्देश

• Python स्क्रिप्ट लिखें: एक स्क्रिप्ट बनाएँ जो pandas का उपयोग करके डेटा का विश्लेषण करे। उदाहरण स्क्रिप्ट:

import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())संचालित द्वारा

• Dockerfile ऑप्टिमाइज़ करें: एक हल्की इमेज बनाने के लिए मल्टी-स्टेज बिल्ड्स और Alpine Linux का उपयोग करें।

# Stage 1: Build stage
FROM python:3.9-alpine as build-stage
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY script.py .

# Stage 2: Run stage
FROM python:3.9-alpine
WORKDIR /app
COPY --from=build-stage /app/script.py .
CMD ["python", "script.py"]
संचालित द्वारा

• इमेज बनाएं:

docker build -t optimized-python-app .संचालित द्वारा

प्रोजेक्ट 8: PyTorch के साथ डीप लर्निंग पाइपलाइन को Docker में पैकेज करना

यह प्रोजेक्ट PyTorch का उपयोग करके एक डीप लर्निंग पाइपलाइन को कंटेनराइज़ करने से जुड़ा है। फोकस Dockerfile को परफॉर्मेंस और आकार के लिए ऑप्टिमाइज़ करने पर है, जिससे अलग-अलग वातावरण में डीप लर्निंग मॉडल्स चलाना आसान हो।

कठिनाई स्तर: उन्नत

उपयोग की गई तकनीकें: Docker, PyTorch, Python

चरण-दर-चरण निर्देश

• Python स्क्रिप्ट में PyTorch इंस्टॉल करें: एक स्क्रिप्ट बनाएँ जो प्री-ट्रेंड PyTorch मॉडल लोड करे और इन्फ़रेंस चलाए। उदाहरण:

import torch
model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True)
print("Model loaded successfully")संचालित द्वारा

• Dockerfile लिखें: PyTorch के लिए वातावरण परिभाषित करें:

FROM pytorch/pytorch:1.9.0-cuda11.1-cudnn8-runtime
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY model.py .
CMD ["python", "model.py"]संचालित द्वारा

• इमेज बनाएं:

docker build -t pytorch-model .संचालित द्वारा

• कंटेनर चलाएँ:

docker run pytorch-model संचालित द्वारा

प्रोजेक्ट 9: Apache Airflow और Docker के साथ डेटा पाइपलाइंस का ऑटोमेशन

इस प्रोजेक्ट में, आप डेटा पाइपलाइंस को ऑटोमेट करने के लिए Apache Airflow वातावरण सेटअप और कंटेनराइज़ करेंगे। Apache Airflow जटिल वर्कफ़्लोज़ को ऑर्केस्ट्रेट करने के लिए लोकप्रिय टूल है, जो डेटा इंजीनियरिंग में व्यापक रूप से उपयोग होता है।

कठिनाई स्तर: उन्नत

उपयोग की गई तकनीकें: Docker, Apache Airflow, Python, PostgreSQL

चरण-दर-चरण निर्देश

• docker-compose.yml फ़ाइल बनाएँ: Airflow सेवाएँ और PostgreSQL डेटाबेस परिभाषित करें:

version: '3'
services:
  postgres:
    image: postgres:latest
    environment:
      POSTGRES_USER: airflow
      POSTGRES_PASSWORD: airflow
      POSTGRES_DB: airflow
    ports:
      - "5432:5432"
    volumes:
      - postgres_data:/var/lib/postgresql/data

  webserver:
    image: apache/airflow:latest
    environment:
      AIRFLOW__CORE__SQL_ALCHEMY_CONN: postgresql+psycopg2://airflow:airflow@postgres/airflow
      AIRFLOW__CORE__EXECUTOR: LocalExecutor
    depends_on:
      - postgres
    ports:
      - "8080:8080"
    volumes:
      - ./dags:/opt/airflow/dags
    command: ["webserver"]

  scheduler:
    image: apache/airflow:latest
    environment:
      AIRFLOW__CORE__SQL_ALCHEMY_CONN: postgresql+psycopg2://airflow:airflow@postgres/airflow
      AIRFLOW__CORE__EXECUTOR: LocalExecutor
    depends_on:
      - postgres
      - webserver
    volumes:
      - ./dags:/opt/airflow/dags
    command: ["scheduler"]

volumes:
  postgres_data:संचालित द्वारा

• Airflow वातावरण शुरू करें: Airflow वातावरण उठाने के लिए Docker Compose का उपयोग करें:

docker-compose upसंचालित द्वारा

• Airflow UI एक्सेस करें: अपने ब्राउज़र में http://localhost:8080 खोलें।

प्रोजेक्ट 10: FastAPI और Docker के साथ एक डेटा साइंस API डिप्लॉय करना

FastAPI का उपयोग करके एक डेटा साइंस API बनाएँ और डिप्लॉय करें। आप API को Docker से कंटेनराइज़ करेंगे और प्रोडक्शन वातावरण के लिए इसे ऑप्टिमाइज़ करने पर ध्यान देंगे।

कठिनाई स्तर: उन्नत

उपयोग की गई तकनीकें: Docker, FastAPI, Python, scikit-learn

चरण-दर-चरण निर्देश

• FastAPI ऐप्लिकेशन लिखें: एक साधारण API बनाएँ जो भविष्यवाणियों के लिए एक मशीन लर्निंग मॉडल का उपयोग करता है। उदाहरण:

from fastapi import FastAPI
import pickle
 
app = FastAPI()
with open("model.pkl", "rb") as f:
   model = pickle.load(f)
 
@app.post("/predict/")
def predict(data: list):
   return {"prediction": model.predict(data)}संचालित द्वारा

• Dockerfile लिखें: FastAPI के लिए वातावरण परिभाषित करने वाला Dockerfile बनाएँ:

FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]संचालित द्वारा

• इमेज बनाएं:

docker build -t fastapi-app .संचालित द्वारा

• कंटेनर चलाएँ:

docker run -p 8000:8000 fastapi-appसंचालित द्वारा

Docker प्रोजेक्ट्स पर काम करने के लिए टिप्स

इन प्रोजेक्ट्स पर काम करते हुए, निम्न सुझाव ध्यान में रखें:

• छोटे से शुरुआत करें: थोड़े चुनौतीपूर्ण प्रोजेक्ट्स से शुरुआत करें, फिर अधिक जटिल कार्यों पर जाएँ। आसान कार्यों से आत्मविश्वास बनाना महत्वपूर्ण है।
• अपनी प्रगति डॉक्युमेंट करें: अपनी सीख को ट्रैक करने और भविष्य में संदर्भ के लिए उपयोग करने हेतु अपने प्रोजेक्ट्स का विस्तृत लॉग रखें।
• Docker समुदाय से जुड़ें: ऑनलाइन फ़ोरम और लोकल मीटअप्स में भाग लें, अनुभव साझा करें, सवाल पूछें, और दूसरों से सीखें।
• प्रयोग करें और कस्टमाइज़ करें: प्रोजेक्ट्स को बदलने, अलग तरीकों को आज़माने, और नए Docker फ़ीचर्स की खोज करने से न डरें।
• सीखते रहें: उन्नत विषयों और टूल्स, जैसे Kubernetes, Docker Swarm, या माइक्रोसर्विस आर्किटेक्चर को एक्सप्लोर करके अपने Docker ज्ञान का विस्तार करते रहें।

निष्कर्ष

Docker में महारत केवल कमांड्स और कॉन्फ़िगरेशन सीखने से आगे की बात है। यह समझने के बारे में है कि Docker आधुनिक ऐप्लिकेशन डेवलपमेंट, डेटा साइंस वर्कफ़्लोज़ और इन्फ्रास्ट्रक्चर मैनेजमेंट में कैसे फिट बैठता है।

इस गाइड में साझा किए गए प्रोजेक्ट्स ने उन बुनियादी कौशलों और हाथों-हाथ अनुभव के लिए कुछ आइडियाज़ दिए जो आपको वास्तविक दुनिया के परिदृश्यों में उत्कृष्ट बनने में मदद करेंगे।

इस बिंदु पर, मैं आपकी जानकारी पुख्ता करने के लिए ये कोर्स फॉलो करने का सुझाव देता/देती हूँ:

• Intermediate Docker
• Introduction to Kubernetes