# Image du service sur n'importe quel serveur (le Space Hugging Face, lui, tourne app_zerogpu.py). # Mêmes réglages que le Space : mêmes AVP (archive + dernière version), mêmes versions de modèles, # même Python, donc mêmes scores. # docker build -t cv-matching . # docker run -p 7860:7860 -e API_KEY=... cv-matching # Sur processeur, le reranker rend /match très lent (~4 min). Mode rapide, bge-m3 seul (un peu moins # précis) : docker run -p 7860:7860 -e RERANKER_MODEL= cv-matching FROM python:3.10-slim # Utilisateur sans droits d'administration (uid 1000, comme sur Hugging Face Spaces) RUN useradd -m -u 1000 user USER user ENV HOME=/home/user \ PATH=/home/user/.local/bin:$PATH \ HF_HOME=/home/user/.cache/huggingface \ PYTHONUNBUFFERED=1 \ GRADIO_ANALYTICS_ENABLED=False \ DATASET_REVISION=1bb92a09a4ff6aa6e9488ee954085019abba7747 \ INCLURE_AVP_FERMES=true WORKDIR /home/user/app # torch en version CPU (~200 Mo au lieu de ~2 Go pour la version CUDA), à la version de requirements.txt COPY --chown=user requirements.txt . RUN TORCH=$(grep -E '^torch==' requirements.txt | cut -d'=' -f3 | cut -d' ' -f1) \ && pip install --no-cache-dir --user "torch==${TORCH}" --index-url https://download.pytorch.org/whl/cpu \ && pip install --no-cache-dir --user -r requirements.txt # bge-m3 et le reranker téléchargés une fois à la construction, aux versions figées dans app/config.py : # le démarrage n'attend plus ~4 Go COPY --chown=user app/config.py app/config.py RUN python -c "from app import config; from sentence_transformers import SentenceTransformer, CrossEncoder; \ SentenceTransformer(config.MODEL_NAME, revision=config.MODEL_REVISION); \ CrossEncoder(config.RERANKER_MODEL, revision=config.RERANKER_REVISION)" COPY --chown=user . . EXPOSE 7860 CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "7860"]