Lección: Instalación y configuración de Docker en tu entorno

Bienvenido, científico de datos. Esta lección es tu puerta de entrada práctica al mundo de la containerización. Mientras que los conceptos teóricos de Docker son fascinantes, su verdadero poder se libera cuando está correctamente instalado y configurado en tu máquina. Esta guía detallada no solo te mostrará cómo instalar Docker, sino que te explicará por qué cada paso es crucial, cómo configurarlo para optimizar tus flujos de trabajo de Machine Learning y cómo diagnosticar y solucionar problemas comunes. Asumiremos que tienes conocimientos intermedios de línea de comandos y administración básica de sistemas.

Preparando el Terreno: Requisitos del Sistema y Elección de Distribución

Antes de descargar un solo paquete, es fundamental entender que Docker no es una aplicación aislada, sino una plataforma que interactúa profundamente con el kernel de tu sistema operativo. En Linux, Docker utiliza directamente las capacidades de contenedores del kernel (cgroups y namespaces). En macOS y Windows, se ejecuta dentro de una máquina virtual Linux ligera (hipervisor). Para un científico de datos, esta distinción es vital: el rendimiento de la virtualización en sistemas no-Linux puede afectar ligeramente el entrenamiento de modelos muy largos, aunque para la mayoría de los casos de uso es imperceptible.

Los requisitos varían, pero un punto común es la necesidad de habilitar la virtualización en la BIOS/UEFI (especialmente en Windows). Para entornos de desarrollo en ML, se recomienda un mínimo de 4 GB de RAM para el propio Docker, además de los recursos que necesiten tus modelos. Si planeas trabajar con modelos de Deep Learning grandes (como LLMs o Vision Transformers), 16 GB de RAM o más y una GPU compatible son altamente recomendables. Docker tiene soporte para GPU a través de NVIDIA Container Toolkit, un componente que instalaremos más adelante.

Tip del Instructor: Si trabajas en una empresa, verifica las políticas de seguridad antes de instalar Docker. Algunas organizaciones restringen la instalación de software que requiera privilegios de administrador o que cree puentes de red, como lo hace Docker. La comunicación temprana con el departamento de IT puede ahorrarte horas de frustración.

Proceso de Instalación Paso a Paso en Linux (Ubuntu/Debian)

Linux es el entorno nativo para Docker y el más común en servidores de producción. Aquí cubriremos la instalación en Ubuntu 22.04 LTS, pero los pasos son análogos para otras distribuciones. El método recomendado es usar los repositorios oficiales de Docker, no los paquetes de la distribución, para obtener las versiones más recientes y estables.

Primero, actualizamos el índice de paquetes y eliminamos instalaciones conflictivas previas (como `docker.io`, `docker-engine` o `docker-ce` antiguos). Luego, instalamos los paquetes necesarios para permitir que `apt` use repositorios a través de HTTPS. El paso clave es agregar la clave GPG oficial de Docker y el repositorio estable a nuestras fuentes de software. Una vez configurado el repositorio, podemos instalar el motor Docker, la CLI, containerd, y Docker Compose.

#!/bin/bash
# 1. Actualizar el índice de paquetes e instalar dependencias previas.
sudo apt-get update
sudo apt-get install -y ca-certificates curl gnupg lsb-release

# 2. Agregar la clave GPG oficial de Docker.
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

# 3. Configurar el repositorio estable.
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 4. Actualizar de nuevo e instalar Docker Engine, CLI, Containerd y Docker Compose.
sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin

# 5. Verificar la instalación ejecutando la imagen de prueba 'hello-world'.
sudo docker run hello-world

Si el último comando descarga una imagen y muestra un mensaje de "Hello from Docker!", la instalación del motor es exitosa. Sin embargo, ejecutar Docker con `sudo` para cada comando es tedioso. El siguiente paso crítico es configurar los permisos de usuario.

Configuración Post-Instalación Esencial para Científicos de Datos

La configuración va más allá de simplemente hacer que `docker` funcione sin `sudo`. Para un flujo de trabajo eficiente en ML, debemos optimizar la ubicación del almacenamiento, configurar el uso de GPU (si está disponible) y ajustar los recursos del demonio Docker. La primera acción es agregar tu usuario al grupo `docker`. Esto otorga privilegios de administración de contenedores a tu usuario, un paso de seguridad que debe entenderse: cualquier usuario en el grupo `docker` tiene efectivamente acceso root en el sistema host.

Para la ciencia de datos, la configuración del daemon de Docker (`/etc/docker/daemon.json`) es crucial. Aquí podemos cambiar el directorio por defecto de imágenes y contenedores (útil si tu SSD principal es pequeño pero tienes un HDD grande para datos), limitar el uso de CPU y memoria (para no colgar tu máquina entrenando un modelo), y configurar registros de imágenes alternativos (como el registro de GitLab de tu empresa). Si tienes una GPU NVIDIA, la instalación del NVIDIA Container Toolkit es obligatoria para acelerar el entrenamiento e inferencia de modelos.

#!/bin/bash
# 1. Agregar tu usuario al grupo 'docker' para evitar usar sudo.
sudo usermod -aG docker $USER
# NOTA: Debes cerrar sesión y volver a iniciar para que el cambio surta efecto.

# 2. Crear o modificar la configuración del daemon Docker.
sudo tee /etc/docker/daemon.json <

# train_model.py
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import joblib
import sys

print("=== Iniciando entrenamiento del modelo en contenedor Docker ===")
# Datos sintéticos
np.random.seed(42)
X = np.random.rand(100, 1) * 10
y = 2.5 * X.squeeze() + np.random.randn(100) * 2

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = LinearRegression()
model.fit(X_train, y_train)

score = model.score(X_test, y_test)
print(f"Modelo entrenado. Coeficiente: {model.coef_[0]:.2f}, Intercepto: {model.intercept_:.2f}")
print(f"R² en conjunto de prueba: {score:.4f}")

# Guardar el modelo. La ruta '/output' será un volumen montado desde el host.
joblib.dump(model, '/output/modelo_entrenado.pkl')
print("Modelo guardado en /output/modelo_entrenado.pkl")

# Dockerfile
# Usar una imagen base oficial de Python con versión específica.
FROM python:3.9-slim

# Establecer el directorio de trabajo dentro del contenedor.
WORKDIR /app

# Copiar el archivo de dependencias primero (mejora el caching de capas de Docker).
COPY requirements.txt .

# Instalar las dependencias de Python.
RUN pip install --no-cache-dir -r requirements.txt

# Copiar el resto del código de la aplicación.
COPY train_model.py .

# Crear un directorio para la salida. El host montará un volumen aquí.
RUN mkdir /output

# Especificar el comando a ejecutar cuando se inicie el contenedor.
CMD ["python", "train_model.py"]

# requirements.txt
scikit-learn==1.3.0
pandas==2.0.3
numpy==1.24.3
joblib==1.3.2

# Navegar al directorio del proyecto
cd ml-docker-demo

# Construir la imagen Docker. El punto (.) indica el contexto de construcción (directorio actual).
docker build -t modelo-ml:latest .

# Ejecutar un contenedor basado en la imagen.
# El flag -v monta el directorio actual del host en la carpeta /output del contenedor.
docker run --rm -v $(pwd):/output modelo-ml:latest