4. 环境搭建与依赖管理：Python虚拟环境、Docker容器化、CUDA/cuDNN环境配置

保险风险拦截模型从离线训练到线上Serving，环境一致性是最大的隐性成本。本章围绕Python虚拟环境（隔离Python包）、Docker容器化（隔离操作系统与运行时）、CUDA/cuDNN（GPU加速）三个层次，搭建一套可复现、可迁移的Serving环境。

4.1 环境分层架构

生产级Serving环境通常分为四层，每层解决不同粒度的依赖问题：

4.2 Python虚拟环境：快速隔离包依赖

保险模型通常依赖特定版本的numpy、pandas、scikit-learn、torch等库。使用venv或conda创建隔离环境，避免与系统Python或其他项目冲突。

4.2.1 使用 venv（推荐轻量场景）

# 创建虚拟环境
python3 -m venv risk_serving_env

# 激活环境（Linux/Mac）
source risk_serving_env/bin/activate

# 激活环境（Windows）
risk_serving_env\Scripts\activate

# 安装依赖
pip install --upgrade pip
pip install numpy==1.21.0 pandas==1.3.0 scikit-learn==1.0.2 torch==1.13.0

# 导出依赖清单
pip freeze > requirements.txt

# 退出环境
deactivate

4.2.2 使用 conda（推荐GPU场景）

# 创建环境并指定Python版本
conda create -n risk_serving python=3.9

# 激活环境
conda activate risk_serving

# 安装GPU版PyTorch（CUDA 11.7）
conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.7 -c pytorch -c nvidia

# 安装其他依赖
conda install numpy pandas scikit-learn

# 导出环境
conda env export > environment.yml

# 从文件重建环境
conda env create -f environment.yml

4.3 Docker容器化：锁定系统级依赖

Docker将操作系统、Python运行时、系统库、模型文件打包为一个不可变镜像，彻底消除“在我机器上能跑”的问题。

4.3.1 基础Dockerfile示例

# ====== 基础镜像 ======
FROM nvidia/cuda:11.7.1-runtime-ubuntu20.04

# ====== 设置非交互模式 ======
ENV DEBIAN_FRONTEND=noninteractive

# ====== 安装系统依赖 ======
RUN apt-get update && apt-get install -y \
    python3.9 python3.9-dev python3-pip \
    libgl1-mesa-glx libglib2.0-0 \
    && rm -rf /var/lib/apt/lists/*

# ====== 设置Python软链接 ======
RUN update-alternatives --install /usr/bin/python python /usr/bin/python3.9 1

# ====== 复制依赖文件 ======
COPY requirements.txt /app/requirements.txt

# ====== 安装Python依赖 ======
RUN pip install --no-cache-dir -r /app/requirements.txt

# ====== 复制模型与代码 ======
COPY ./model /app/model
COPY ./serving /app/serving

# ====== 工作目录 ======
WORKDIR /app

# ====== 暴露端口 ======
EXPOSE 8000

# ====== 启动命令 ======
CMD ["python", "serving/server.py"]

4.3.2 多阶段构建（减小镜像体积）

# 第一阶段：编译依赖
FROM nvidia/cuda:11.7.1-devel-ubuntu20.04 AS builder
COPY requirements.txt .
RUN pip install --user -r requirements.txt

# 第二阶段：运行镜像
FROM nvidia/cuda:11.7.1-runtime-ubuntu20.04
COPY --from=builder /root/.local /root/.local
COPY ./model /app/model
COPY ./serving /app/serving
WORKDIR /app
CMD ["python", "serving/server.py"]

4.4 CUDA/cuDNN环境配置：GPU推理加速

保险风险拦截模型通常使用深度学习模型（如GBM、Transformer、Wide&Deep），推理阶段需要GPU加速以满足毫秒级响应要求。

4.4.1 版本兼容性矩阵

4.4.2 Docker内GPU透传配置

在Docker容器内使用GPU需要安装NVIDIA Container Toolkit：

# 1. 安装NVIDIA Container Toolkit（宿主机执行）
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker

# 2. 启动容器时添加 --gpus 参数
docker run --gpus all -p 8000:8000 risk-serving:latest

# 3. 验证容器内GPU可用
docker run --gpus all nvidia/cuda:11.7.1-runtime-ubuntu20.04 nvidia-smi

4.5 完整环境搭建流程（实战步骤）

1. 宿主机准备： 安装NVIDIA驱动（≥515）、Docker Engine、NVIDIA Container Toolkit。
2. 创建Python虚拟环境： 使用conda创建risk_serving环境，安装PyTorch + CUDA 11.7。
3. 编写Dockerfile： 基于nvidia/cuda:11.7.1-runtime-ubuntu20.04，复制模型与代码。
4. 构建镜像： docker build -t risk-serving:latest .
5. 启动容器： docker run --gpus all -p 8000:8000 risk-serving:latest
6. 验证推理： 发送测试请求，检查响应时间与GPU利用率。

4.6 常见问题与排查