模型封装进Docker需关注加载时机、路径固化和GPU/CPU自适应：模型须用绝对路径并显式COPY；FastAPI需全局加载而非每次请求；Dockerfile应按部署环境选用对应PyTorch镜像；优先保存state_dict而非完整模型。
直接说结论：模型封装进 Docker 不是“打包就完事”，关键在「加载时机」「路径固化」和「GPU/CPU 自适应」三处。做错任意一点，容器一跑就报 FileNotFoundError、AttributeError: 'NoneType' object has no attribute 'eval' 或 GPU 显存分配失败。
模型文件必须放在容器内固定路径，且不能依赖相对路径
本地开发时你可能写 torch.load("../models/asr.pt")，但镜像构建后工作目录变了，上级目录根本不存在。Docker 内部没有你的项目根目录概念。
实操建议：
- 所有模型路径统一用绝对路径，例如
/app/models/asr.pt，并在Dockerfile中显式COPY models/ /app/models/ - 在 Python 服务代码里，用
Path(__file__).parent / "models" / "asr.pt"这类基于当前文件位置的定位，比os.getcwd()可靠得多 - 启动前加校验逻辑：读取模型文件前先
assert model_path.exists(), f"Model not found: {model_path}"
FastAPI 启动时必须全局加载模型，禁止每次请求都 load
常见错误是把 torch.load() 放在路由函数里，结果每来一个请求就重新加载一次模型——100 并发就是 100 次磁盘 IO + 显存重复分配，延迟飙升，GPU 显存爆满。
正确做法：
Docker Hub (hub.docker.com)。此技能适用于所有 Docker Hub 操作，包括读取、创建、更新和删除数据。只要任务涉及 Docker Hub，就使用此技能。
- 在
main.py文件顶层（import 之后、app = FastAPI()之前）完成模型加载和.eval()设置 - 显式指定
map_location：用torch.load(path, map_location=device)，其中device = torch.device("cuda" if torch.cuda.is_available() else "cpu") - 如果模型较大，可加日志：
logger.info(f"Loaded model on {device}, size: {os.path.getsize(path)/1024/1024:.1f} MB")
Dockerfile 必须区分 CPU/GPU 镜像基础层，不能混用
用 FROM python:3.9-slim 构建的镜像，装了 torch==2.3.0+cu121 也跑不起来 CUDA —— 基础镜像没带 NVIDIA 驱动和 libcudnn。反过来，用 FROM nvidia/cuda:12.1.1-base-ubuntu22.04 却只跑 CPU 推理，又白白多出 1.2GB 镜像体积。
选择依据很实际：
- 若服务器有 GPU 且需启用 CUDA：用
FROM pytorch/pytorch:2.3.0-cuda12.1-cudnn8-runtime，再 pip install 其他依赖 - 若纯 CPU 部署：用
FROM python:3.9-slim，pip installtorch==2.3.0+cpu（注意带+cpu后缀） - 千万别在同一个
Dockerfile里写RUN pip install torch—— 默认装的是 CPU 版，GPU 机器上会静默失败
最易被忽略的一点：模型权重文件本身是否含绝对路径或环境相关 tensor device 信息。用 torch.save(model.state_dict(), ...) 是安全的；但若保存的是完整模型对象（torch.save(model, ...)），反序列化时可能因类定义路径变化而报 ModuleNotFoundError。永远优先保存 state_dict，加载时用代码重建模型结构。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
