标题：MLOps实战进阶：基于Docker+Kubernetes的模型部署流水线设计与优化

在现代机器学习工程中，MLOps（Machine Learning Operations） 已成为连接数据科学与生产环境的关键桥梁。本文将深入探讨如何利用 Docker + Kubernetes 构建一个高效、可扩展的模型部署流水线，并结合实际代码演示从训练到上线的完整流程。

🧠 为什么需要标准化的MLOps流水线？

传统做法往往是“模型训练完手动打包上传”，这不仅效率低、易出错，还难以应对多版本管理、灰度发布和监控需求。一个成熟的MLOps系统应具备以下能力：

• 自动化CI/CD
• • 容器化封装模型服务
• • 多环境隔离（开发/测试/生产）
• • 监控指标集成（如Prometheus）
    我们以一个图像分类模型为例，展示如何用 GitLab CI + Docker + K8s Helm Chart 实现端到端自动化部署。

🔧 核心架构图（文字版示意）

[本地训练] → [Git提交] → [GitLab CI触发] → [构建Docker镜像] → [推送到私有Registry]
             ↓
                    [Kubernetes Helm部署]
                                 ↓
                                      [Ingress暴露API端口]
                                                   ↓
                                                      [Prometheus + Grafana监控]
                                                      ```
> ✅ 关键点：所有步骤均可通过YAML配置驱动，无需人工干预！
---

### 📦 第一步：构建模型容器镜像

假设你的模型保存在 `model.pkl` 和 `requirements.txt` 中，目录结构如下：

my-model/
├── model.pkl
├── requirements.txt
└── app.py

其中 `app.py` 是FastAPI服务入口：

```python
# app.py
from fastapi import FastAPI, UploadFile, File
import joblib
import torch
from PIL import Image
import numpy as np

app = FastAPI()
model = joblib.load("model.pkl")

@app.post("/predict")
async def predict(file: UploadFile = File(