Docker cho kỹ sư AI: đóng gói ứng dụng vision, camera, GPU, compose
Dockerfile chuẩn cho ứng dụng vision Python, chạy với camera USB/GigE, tự khởi động lại, healthcheck, GPU NVIDIA, docker compose và lưu ý Windows/WSL.
Giai đoạn 4 · Hiệu năng và triển khai · Chặng 10/10
Học xong chặng này, bạn có thể: Đưa một ứng dụng Python từ máy cá nhân lên môi trường chạy thật, có CI kiểm tra mỗi lần đẩy code, và có portfolio để đi xin việc.
Đã học chặng 9. Cài Docker Desktop (Windows, macOS) hoặc Docker Engine (Linux) cho hai bài cuối.
Học lần lượt từ trên xuống. Làm hết bài tập trong mỗi bài, đánh dấu đã học để theo dõi tiến độ.
Đo thời gian đúng cách bằng timeit, perf_counter · Tìm điểm nghẽn bằng cProfile · Tối ưu bằng cấu trúc dữ liệu và thuật toán phù hợp
Phân biệt tác vụ chờ I/O và tác vụ nặng CPU · Dùng ThreadPoolExecutor, ProcessPoolExecutor · Hiểu GIL và bản Python free-threaded
Hiểu event loop, coroutine, await · Chạy nhiều tác vụ đồng thời bằng gather, TaskGroup, giới hạn bằng Semaphore · Gọi HTTP bất đồng bộ bằng httpx
Viết Dockerfile cho ứng dụng FastAPI · Tối ưu image: cache layer, .dockerignore, user không phải root · Chạy kèm biến môi trường, volume bằng docker compose
Hiểu CI và vì sao mọi dự án cần nó · Viết workflow chạy Ruff, mypy, pytest mỗi lần push · Chạy test trên nhiều phiên bản Python bằng matrix
Tự lên đặc tả và hoàn thành một dự án từ đầu đến cuối · Áp dụng đủ: test, CI, Docker, tài liệu · Chuẩn bị portfolio, CV và phỏng vấn Python Developer
Không bắt buộc, đọc khi muốn hiểu sâu hơn.
Dockerfile chuẩn cho ứng dụng vision Python, chạy với camera USB/GigE, tự khởi động lại, healthcheck, GPU NVIDIA, docker compose và lưu ý Windows/WSL.
Pipeline producer–consumer bằng threading và queue: đo khung mất, độ trễ, GIL với OpenCV, hàng đợi đầy thì chờ hay bỏ, lỗi trong luồng và thứ tự kết quả.