主要观点：构建机器学习（ML）模型既有趣又复杂，从模型开发到部署是关键阶段，自动化 ML 部署可统一简化流程，文中介绍了用 Python 训练 ML 模型、用 Docker 容器化及用 Terraform 部署到云的过程及相关工具和代码。
关键信息：

• 部署 ML 模型过程繁琐，需自动化，文中用通用工具等简化部署流程。
• 用到 Python 3.4+、scikit-learn、FastAPI、Docker、Cloud CLI、Terraform 等工具。
• 项目分为 ML 模型训练、ML 工作流自动化、Infrastructure as Code（IaC）三部分，各部分有相应代码和文件结构。
• 训练模型用 logistic regression 基于 Iris Species 数据集，用 Pickle 序列化模型。
• 用两个 Python 脚本实现自动化，build_model_and_image.py自动化训练、构建镜像等，install_terraform.py通过 Docker 运行 Terraform provision 基础设施。
• Terraform 用四个配置文件 provision 生产就绪服务，确保部署自动化、一致且可移植。
• 自动化脚本减少手动干预、记录错误，在 Docker 容器中运行工具减少依赖保证环境一致，结合多种最佳实践。
  重要细节：
• 模型训练代码中通过load_iris加载数据，LogisticRegression训练模型，用pickle.dump保存模型。
• app.py中用 FastAPI 构建服务，/路由返回模型运行消息，/predict路由接收数据并预测。
• build_model_and_image.py中通过subprocess.run执行训练模型和构建镜像等操作。
• install_terraform.py中通过docker run在 Docker 容器中运行 Terraform 命令。
• Terraform 配置文件中定义 Azure 资源组和容器实例等。
• 完整代码在 GitHub：https://github.com/yraj1457/MLOps