从Jupyter Notebook到全局API

把模型跑通在Notebook里很容易，但要把一个 .pkl 或 .h5 文件变成一个能给外部调用的生产级API，这中间的坑足够让很多开发者崩溃。传统的部署路径得搞服务器、配环境、写Docker、弄K8s，没个几天时间根本搞不定。

其实现在走 Serverless 路线可以快得多，基本只要模型训练好了，10分钟内就能上线。

为什么建议尝试 Serverless 部署？

对比传统的虚拟主机或容器集群，Serverless 的核心优势在于：

• 成本极低： 按请求量计费，没流量时基本零成本，适合非高频调用的模型。
• 自动扩缩容： 流量突然暴涨时不需要手动加机器，云平台自动搞定。
• 抛弃运维： 不需要关心操作系统补丁、网络配置或负载均衡。

快速部署实操流程

在开始之前，确保你手里已经有了训练好的模型文件（如 my_model.pkl）以及安装好了 Docker 和相应的云平台 CLI（本文以 Google Cloud Run 为例）。

一、准备依赖环境（预计 2 分钟）
建立一个项目文件夹，把模型文件丢进去。然后创建一个 requirements.txt，把所有必要的库写清楚，版本号必须跟训练时一致，否则加载模型必报错。

fastapi
uvicorn
scikit-learn==1.3.0
pandas

二、编写 API 接口（预计 3 分钟）
用 FastAPI 快速封装一个接口。代码逻辑很简单：启动时加载模型，接收请求，返回预测结果。

from fastapi import FastAPI
import joblib
import pandas as pd

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

@app.post("/predict")
async def predict(data: dict):
    df = pd.DataFrame([data])
    prediction = model.predict(df)
    return {"result": prediction.tolist()}

三、容器化与部署（预计 5 分钟）
编写 Dockerfile，将代码和环境打包。

FROM python:3.9-slim
WORKDIR /app
COPY . .
RUN pip install -r requirements.txt
CMD exec uvicorn main:app --host 0.0.0.0 --port $PORT

最后通过命令行直接推送到云端（以 gcloud 为例）：

gcloud run deploy ml-service --source .

部署完成后，云平台会直接给你一个 HTTPS 的全局访问地址。这种工作流省去了大量繁琐的 MLOps 配置，对于独立开发者或者快速验证原型的团队来说，是目前最高效的方案。