Dockerfileを最適化してMLの本番環境を軽量化する方法

はじめに
イメージが肥大化する主な原因
軽量化テクニック①：マルチステージビルド
軽量化テクニック②：CPU推論専用イメージの使用
軽量化テクニック③：依存関係の整理
軽量化テクニック④：レイヤーキャッシュの最適化
Before/Afterの効果
よくある質問
まとめ

はじめに

機械学習の本番環境ではDockerコンテナでアプリをデプロイするのが標準的です。しかしDockerfileを雑に書くとイメージサイズが10GB超えて、デプロイに時間がかかり、コストも増加します。Dockerfileの軽量化テクニックを解説します。

イメージが肥大化する主な原因

PyTorch・TensorFlowなどの巨大ライブラリを不必要にフル版でインストールすることが最大の原因です。CUDA・cuDNNなどGPU関連ライブラリは開発環境では必要でも推論APIには不要なケースがあります。ビルド時の中間ファイルの残留（pip cacheやaptのキャッシュ）もサイズ増加の原因になります。複数のRUNコマンドで各レイヤーにキャッシュが積み重なることも問題です。

軽量化テクニック①：マルチステージビルド

# ビルドステージ
FROM python:3.11 AS builder
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir --user -r requirements.txt

# 本番ステージ（軽量ベースイメージ）
FROM python:3.11-slim AS production
WORKDIR /app

# ビルドステージの成果物だけコピー
COPY --from=builder /root/.local /root/.local
COPY . .

ENV PATH=/root/.local/bin:$PATH
CMD ["python", "app.py"]

マルチステージビルドで開発用の依存関係をビルドステージに隔離することで、本番イメージに不要なものを含めないようにできます。

軽量化テクニック②：CPU推論専用イメージの使用

# GPU版（約5GB）
FROM pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

# CPU専用版（約800MB）
FROM python:3.11-slim
RUN pip install torch --index-url https://download.pytorch.org/whl/cpu

推論APIはGPUなしでも動く場合が多く、CPU専用のPyTorchを使うだけでイメージサイズを大幅に削減できます。

軽量化テクニック③：依存関係の整理

# 推論だけに必要な最小限のライブラリ
numpy==1.24.3
scikit-learn==1.3.0
fastapi==0.103.0
uvicorn==0.23.2
# 不要なものを除外:
# - matplotlib（可視化→本番では不要）
# - jupyter（開発環境→本番では不要）
# - torch（sklearn使用時は不要）

軽量化テクニック④：レイヤーキャッシュの最適化

# 悪い例（変更のたびにpip installが走る）
COPY . .
RUN pip install -r requirements.txt

# 良い例（requirements.txtが変わらない限りキャッシュ有効）
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .

Before/Afterの効果

最適化前：PyTorch（GPU版）フルイメージ → 約8GBのイメージ、デプロイ時間15分。最適化後：マルチステージ＋CPU専用PyTorch → 約1.2GBのイメージ、デプロイ時間3分。イメージサイズを約85%削減、デプロイ時間を80%短縮という効果が得られました。クラウドのコンテナレジストリの保存コストも削減できます。

よくある質問

「本番でGPUが必要な場合はどうすればいいですか」という質問をよく受けます。GPU推論が必要なモデル（大規模深層学習モデル）の場合はGPU版イメージが必要です。ただしマルチステージビルドとpipキャッシュ削除（–no-cache-dir）で最小化を図りましょう。「distrolessイメージは使えますか」という質問については、GoogleのDistrolessイメージはシェルなしの最軽量イメージです。デバッグが難しくなるというトレードオフがありますが、セキュリティ重視の本番環境では有効な選択肢です。