Container (Docker)

Einfach erklärt

Docker ist die Technologie, die das “Works on my machine”-Problem gelöst hat. Ein Docker-Container verpackt eine Anwendung zusammen mit allen Abhängigkeiten – Python-Version, Bibliotheken, Konfiguration – in eine portable Einheit. Dieser Container läuft identisch auf jedem System, das Docker unterstützt. Für KI-Projekte ist Docker unverzichtbar: ML-Modelle haben oft sehr spezifische Abhängigkeiten (CUDA-Version, PyTorch-Version), die in Containern zuverlässig reproduziert werden.

Docker verpackt deine Anwendung mit allem, was sie braucht, in einen Container. Dieser Container läuft überall gleich – auf deinem Laptop, im Rechenzentrum oder in der Cloud.

Warum ist das wichtig?

“Works on my machine” ist Geschichte. Mit Docker hat jeder exakt dieselbe Umgebung – gleiche Python-Version, gleiche Bibliotheken, gleiche Konfiguration.

Dockerfile → Image → Container:

Dockerfile (Bauplan) → docker build → Image (Vorlage) → docker run → Container (laufend)

Beispiel Dockerfile für ML:

FROM python:3.11
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["python", "serve.py"]

Technischer Deep Dive

Container vs. VM

Aspekt	Container	VM
Startzeit	Sekunden	Minuten
Größe	MBs	GBs
Overhead	Minimal	Hoch
Isolation	Prozess-Level	Hardware-Level
OS	Teilt Host-Kernel	Eigenes OS

Docker für ML/KI

• GPU-Support: --gpus all für NVIDIA GPU-Zugriff
• NVIDIA Container Toolkit: CUDA und cuDNN im Container
• Multi-Stage Builds: Kleine Production-Images durch Build-Stages
• Volume Mounts: Modelle und Daten außerhalb des Containers speichern