Docker Tutoriels

Dans ce défi, vous apprendrez à gérer les données au sein des conteneurs. Les conteneurs sont légers, portables et faciles à utiliser. Ils offrent un environnement isolé où vous pouvez exécuter vos applications sans vous soucier des dépendances ou des conflits.

Dans ce défi, vous apprendrez à utiliser la fonctionnalité de construction multi-étapes (multi-stage build) de Docker pour créer une image Docker plus petite et plus efficace en séparant les environnements de construction et d'exécution.

Docker est une plateforme populaire pour développer, distribuer et exécuter des applications. La commande docker create est utilisée pour créer un nouveau conteneur à partir d'une image. Dans ce défi, vous apprendrez étape par étape comment utiliser la commande docker create pour créer un nouveau conteneur.

Un registre Docker est une plateforme qui nous permet de stocker, gérer et distribuer des images Docker. Bien qu'il soit pratique d'utiliser des registres basés sur le cloud comme Docker Hub, ils présentent certaines limitations. Dans ce défi, nous allons configurer un registre Docker local, ce qui nous offrira un meilleur contrôle sur nos images et nous permettra de travailler hors ligne.

Docker est un outil puissant pour le déploiement d'applications, mais il peut être un peu déroutant au début. Dans ce défi, vous apprendrez à lier des conteneurs Docker entre eux pour créer une application multi-conteneurs. Nous commencerons par des exemples simples pour progresser vers une application plus complexe. Même si vous débutez avec Docker, vous devriez pouvoir suivre sans difficulté.

Ce projet est conçu pour vous guider à travers le processus de création d'un modèle TensorFlow simple, de son exportation et de son déploiement à l'aide de Docker et de TensorFlow Serving. TensorFlow est un framework d'apprentissage automatique open-source, et TensorFlow Serving est un système de déploiement flexible et performant pour les modèles d'apprentissage automatique. Les conteneurs Docker facilitent le packaging et le déploiement cohérent de ces modèles. À la fin de ce projet, vous comprendrez comment configurer un modèle d'apprentissage automatique de base dans TensorFlow, l'exporter pour le déploiement et le déployer à l'aide de TensorFlow Serving dans un conteneur Docker.

Bonjour et bienvenue chez LabEx ! Dans ce premier lab, vous allez apprendre à exécuter le classique programme 'Hello, World!' avec Docker.

Ce laboratoire offre une expérience simplifiée pour explorer les capacités d'interaction informatique de Claude 3.5 Sonnet en utilisant la démo d'utilisation informatique d'Anthropic préinstallée dans LabEx

Dans ce laboratoire, vous apprendrez à créer un tableau de bord Grafana à partir de zéro. Vous créerez des panneaux, rédigerez des requêtes PromQL et personnaliserez les visualisations pour afficher les métriques système à partir d'une configuration Prometheus et Node Exporter pré-configurée.

Dans ce laboratoire, vous installerez Grafana à l'aide de Docker. Vous apprendrez à exécuter le conteneur Grafana, à accéder à son interface utilisateur web et à le connecter à une instance Prometheus préexistante en tant que source de données, vous préparant ainsi à créer des tableaux de bord de surveillance puissants.

Dans ce laboratoire, vous apprendrez à configurer Prometheus en utilisant un fichier de configuration personnalisé, à le monter dans un conteneur Docker et à recharger la configuration à la volée.

Dans ce laboratoire, vous apprendrez à installer et exécuter Grafana Loki, un système d'agrégation de journaux (logs) multi-tenant et horizontalement scalable. Vous utiliserez Docker pour tirer (pull) l'image officielle de Loki, créer un fichier de configuration de base et exécuter le conteneur Loki.

Dans ce laboratoire, vous apprendrez à expédier et interroger des logs. Vous configurerez et exécuterez Promtail, l'agent de collecte de logs, ajouterez Loki comme source de données dans Grafana, puis interrogerez vos logs en utilisant le langage LogQL. La configuration fournit des instances opérationnelles de Loki et Grafana.

Dans ce laboratoire, vous configurerez Node Exporter, un exportateur Prometheus pour les métriques matérielles et système d'exploitation. Vous exécuterez un conteneur Node Exporter et configurerez une instance Prometheus préexistante pour collecter les métriques de cette nouvelle cible, élargissant ainsi vos capacités de surveillance.

Dans ce laboratoire, vous explorerez le langage de requête Prometheus (PromQL). En utilisant une configuration préconfigurée de Prometheus et Node Exporter, vous apprendrez à interroger et manipuler des données de séries temporelles, des sélections de base à l'application de fonctions et de filtres.

Dans ce laboratoire, vous apprendrez les bases de la sécurité des conteneurs en installant Docker, en exécutant un conteneur de base et en inspectant ses processus et ses propriétés de sécurité telles que les limites de ressources.

Dans ce laboratoire, vous apprendrez à utiliser la fonctionnalité d'alerte intégrée de Prometheus. Vous rédigerez des règles d'alerte, les chargerez dans Prometheus et simulerez des conditions pour déclencher une alerte.

Dans ce laboratoire, vous apprendrez à installer et exécuter Prometheus avec Docker, à accéder à son interface utilisateur web et à explorer ses fonctionnalités de base.