10 Docker Proje Fikri: Başlangıçtan İleri Seviyeye

Orta Seviye Docker Projeleri

Aşağıdaki projeler, Docker’ın temellerine sağlam şekilde hâkim olanlar içindir. Çok aşamalı derlemeler ve optimizasyon teknikleri gibi daha karmaşık kavramları tanıtacaktır.

Proje 4: Bir Node.js uygulaması için çok aşamalı derleme

Çok aşamalı derlemeler, derleme ve çalışma zamanını ayırarak Docker imaj boyutlarını küçültmeye yardımcı olur. Bu projede, bir Node.js uygulamasını çok aşamalı derlemelerle konteynerleştireceksiniz.

Zorluk seviyesi: Orta

Kullanılan teknolojiler: Docker, Node.js, Nginx

Adım adım yönergeler

• Basit bir Node.js uygulaması oluşturun: Basit bir mesaj döndüren temel bir Node.js sunucusu yazın. İşte bir örnek:

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'));

• Çok aşamalı derlemeli Dockerfile yazın: İlk aşama uygulamayı derler, ikinci aşama daha hafif bir temel imajla uygulamayı çalıştırır.

# 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"]

• İmajı oluşturun:

docker build -t node-multi-stage .

• Konteyneri çalıştırın:

docker run -p 3000:3000 node-multi-stage

Proje 5: TensorFlow ile bir makine öğrenmesi modelini Docker’laştırma

Bu proje, TensorFlow kullanarak bir makine öğrenmesi modelinin konteynerleştirilmesini içerir. Amaç, TensorFlow modellerini altyapı kurulumuyla uğraşmadan, farklı sistemlerde çalıştırabileceğiniz taşınabilir bir ortam oluşturmaktır.

Zorluk seviyesi: Orta

Kullanılan teknolojiler: Docker, TensorFlow, Python

Adım adım yönergeler

• Python betiğine TensorFlow kurun: Bir önceden eğitilmiş TensorFlow modelini yükleyip çalıştıran model.py adlı bir Python betiği oluşturun:

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

• Dockerfile yazın: TensorFlow için Docker içinde ortamı tanımlayın:

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

• İmajı oluşturun:

docker build -t tensorflow-model .

• Konteyneri çalıştırın:

docker run tensorflow-model

Proje 6: Jupyter ve Docker ile bir veri bilimi ortamı oluşturma

Bu proje, Docker ve Jupyter notebook’ları kullanarak tekrarlanabilir bir veri bilimi ortamı oluşturmayı amaçlar. Ortam, pandas, NumPy ve scikit-learn gibi popüler Python kütüphanelerini içerecektir.

Zorluk seviyesi: Orta

Kullanılan teknolojiler: Docker, Jupyter, Python, scikit-learn

Adım adım yönergeler

• docker-compose.yml dosyasını oluşturun: Jupyter Notebook servisini ve gerekli kütüphaneleri tanımlayın. İşte bir örnek:

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

• Jupyter Notebook’u başlatın: Jupyter Notebook’u başlatmak için Docker Compose kullanın.

docker-compose up

• Jupyter Notebook’a erişin: Tarayıcınızı açın ve http://localhost:8888 adresine gidin.

İleri Seviye Docker Projeleri

Bu ileri seviye projeler, gerçek dünya uygulamalarına ve derin öğrenme boru hatları ile otomatik veri boru hatları gibi gelişmiş Docker kavramlarına odaklanır.

Proje 7: Bir Python uygulaması için Docker imaj boyutunu küçültme

Bu projede, Alpine Linux gibi minimal temel imajlar kullanarak ve imaj boyutunu olabildiğince küçük tutmak için çok aşamalı derlemeleri uygulayarak bir Python uygulamasının Docker imajını optimize edeceksiniz.

Zorluk seviyesi: İleri

Kullanılan teknolojiler: Docker, Python, Alpine Linux

Adım adım yönergeler

• Python betiğini yazın: pandas kullanarak verileri analiz eden bir betik oluşturun. İşte bir örnek betik:

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

• Dockerfile’ı optimize edin: Hafif bir imaj oluşturmak için çok aşamalı derlemeler ve Alpine Linux kullanın.

# 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"]

• İmajı oluşturun:

docker build -t optimized-python-app .

Proje 8: PyTorch ile bir derin öğrenme boru hattını Docker’laştırma

Bu proje, PyTorch kullanarak bir derin öğrenme boru hattının konteynerleştirilmesini içerir. Odak noktası, performans ve boyut için Dockerfile’ı optimize ederek derin öğrenme modellerini farklı ortamlarda kolayca çalıştırmaktır.

Zorluk seviyesi: İleri

Kullanılan teknolojiler: Docker, PyTorch, Python

Adım adım yönergeler

• Python betiğine PyTorch kurun: Önceden eğitilmiş bir PyTorch modelini yükleyip çıkarım yapan bir betik oluşturun. İşte bir örnek:

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

• Dockerfile yazın: PyTorch için ortamı tanımlayın:

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"]

• İmajı oluşturun:

docker build -t pytorch-model .

• Konteyneri çalıştırın:

docker run pytorch-model 

Proje 9: Apache Airflow ve Docker ile veri boru hatlarını otomatikleştirme

Bu projede, veri boru hatlarını otomatikleştirmek için bir Apache Airflow ortamı kuracak ve konteynerleştireceksiniz. Apache Airflow, veri mühendisliğinde yaygın olarak kullanılan, karmaşık iş akışlarını orkestre eden popüler bir araçtır.

Zorluk seviyesi: İleri

Kullanılan teknolojiler: Docker, Apache Airflow, Python, PostgreSQL

Adım adım yönergeler

• docker-compose.yml dosyasını oluşturun: Airflow servislerini ve PostgreSQL veritabanını tanımlayın:

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:

• Airflow ortamını başlatın: Airflow ortamını ayağa kaldırmak için Docker Compose kullanın:

docker-compose up

• Airflow arayüzüne erişin: Tarayıcınızı açın ve http://localhost:8080 adresine gidin.

Proje 10: FastAPI ve Docker ile bir veri bilimi API’si dağıtma

Bir FastAPI kullanarak veri bilimi API’si oluşturun ve dağıtın. API’yi Docker ile konteynerleştirecek ve üretim ortamları için optimize etmeye odaklanacaksınız.

Zorluk seviyesi: İleri

Kullanılan teknolojiler: Docker, FastAPI, Python, scikit-learn

Adım adım yönergeler

• FastAPI uygulamasını yazın: Tahminler için bir makine öğrenmesi modeli kullanan basit bir API oluşturun. İşte bir örnek:

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)}

• Dockerfile yazın: FastAPI için ortamı tanımlayan bir Dockerfile oluşturun:

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"]

• İmajı oluşturun:

docker build -t fastapi-app .

• Konteyneri çalıştırın:

docker run -p 8000:8000 fastapi-app

Docker Projelerinde Çalışmak İçin İpuçları

Bu projeler üzerinde çalışırken aşağıdaki ipuçlarını aklınızda bulundurun:

• Küçük başlayın: Biraz zorlayıcı projelerle başlayın, ardından daha karmaşık görevlere geçin. Daha basit görevlerle güven kazanmak kritik önemdedir.
• İlerlemenizi belgeleyin: Öğreniminizi takip etmek ve gelecekte başvurmak üzere projelerinizin ayrıntılı bir kaydını tutun.
• Docker topluluklarına katılın: Deneyimlerinizi paylaşmak, soru sormak ve başkalarından öğrenmek için çevrimiçi forumlara ve yerel buluşmalara katılın.
• Deneyin ve özelleştirin: Projeleri değiştirmekten, farklı yaklaşımlar denemekten ve yeni Docker özelliklerini keşfetmekten çekinmeyin.
• Öğrenmeye devam edin: Bilginizi Kubernetes, Docker Swarm veya mikroservis mimarisi gibi ileri konular ve araçlarla genişletmeyi sürdürün.

Sonuç

Docker’a hâkim olmak yalnızca komutları ve yapılandırmaları öğrenmekten ibaret değildir. Docker’ın modern uygulama geliştirme, veri bilimi iş akışları ve altyapı yönetimindeki yerini anlamakla ilgilidir.

Bu rehberde paylaştığım projeler, gerçek dünya senaryolarında başarılı olmak için gereken temel becerileri ve uygulamalı deneyimi oluşturmanıza yardımcı olacak fikirler sundu.

Bu noktada, bilginizi pekiştirmek için şu kursları takip etmenizi öneririm:

• Intermediate Docker
• Introduction to Kubernetes