Merge pull request #32 from Pseudo-Lab/docs/docker-tutorial

Docs/docker tutorial 자료 추가

Author: soohyunme

book/_toc.yml

@@ -10,3 +10,20 @@ parts:
     title: "Github.dev 편집기로 작업하기"
   - file: docs/pr-ground
     title: "직접해보기"
+
+- caption: "나만의 local ChatGPT 만들기: Docker 실습 튜토리얼"
+  chapters:
+  - file: docker_tutorial/00.pytorch_example
+    title: "Pytorch example"
+  - file: docker_tutorial/01.what_is_docker
+    title: "Docker란 무엇인가?"
+  - file: docker_tutorial/02.image_and_container
+    title: "Docker 기본 명령어 실습"
+  - file: docker_tutorial/03.docker-compose
+    title: "Docker Compose 개념 & 실습"
+  - file: docker_tutorial/04.ollama
+    title: "Ollama로 로컬 LLM 실행"
+  - file: docker_tutorial/05.webui
+    title: "Open-WebUI 실행"
+  - file: docker_tutorial/06.ollama_and_webui
+    title: "Ollama + WebUI (Docker Compose)"

book/docker_tutorial/00.pytorch_example.md

@@ -0,0 +1,73 @@
+# Pytorch example code
+
+## 예제 코드 실행해보기
+아래 예제 코드를 현재 환경에서 실행시켜봅시다.
+
+```python
+# -*- coding: utf-8 -*-
+import numpy as np
+import math
+
+# 무작위로 입력과 출력 데이터를 생성합니다
+x = np.linspace(-math.pi, math.pi, 2000)
+y = np.sin(x)
+
+# 무작위로 가중치를 초기화합니다
+a = np.random.randn()
+b = np.random.randn()
+c = np.random.randn()
+d = np.random.randn()
+
+learning_rate = 1e-6
+for t in range(2000):
+    # 순전파 단계: 예측값 y를 계산합니다
+    # y = a + b x + c x^2 + d x^3
+    y_pred = a + b * x + c * x ** 2 + d * x ** 3
+
+    # 손실(loss)을 계산하고 출력합니다
+    loss = np.square(y_pred - y).sum()
+    if t % 100 == 99:
+        print(t, loss)
+
+    # 손실에 따른 a, b, c, d의 변화도(gradient)를 계산하고 역전파합니다.
+    grad_y_pred = 2.0 * (y_pred - y)
+    grad_a = grad_y_pred.sum()
+    grad_b = (grad_y_pred * x).sum()
+    grad_c = (grad_y_pred * x ** 2).sum()
+    grad_d = (grad_y_pred * x ** 3).sum()
+
+    # 가중치를 갱신합니다.
+    a -= learning_rate * grad_a
+    b -= learning_rate * grad_b
+    c -= learning_rate * grad_c
+    d -= learning_rate * grad_d
+
+print(f'Result: y = {a} + {b} x + {c} x^2 + {d} x^3')
+```
+
+## 예상되는 결과
+1. Python 미설치
+    ```bash
+    bash: python: command not found
+    ```
+   
+2. NumPy 미설치
+    ```vbnet
+    Traceback (most recent call last):
+    File "example.py", line 1, in <module>
+        import numpy as np
+    ModuleNotFoundError: No module named 'numpy'
+    ```
+
+3. 코드 실행
+    ```bash
+    Step 100 — loss: 1234.56
+    Step 200 — loss: 789.01
+    …
+    최종 모델: y = 0.0012 + 1.0003 x + …
+    ```
+이처럼 환경 차이로 인해 같은 코드를 실행해도 전혀 다른 결과가 나타날 수 있습니다.  
+이런 예기치 못한 문제를 방지하려면, **동일한 실행 환경**을 갖춰야 합니다.
+
+### Ref.
+PyTorch Tutorials “PyTorch with Examples”, https://tutorials.pytorch.kr/beginner/pytorch_with_examples.html

book/docker_tutorial/01.what_is_docker.md

@@ -0,0 +1,77 @@
+# Docker의 개념과 필요성
+## Docker란 무엇인가?
+Docker의 공식 홈페이지에서는 Docker를 아래와 같이 정의하고 있습니다.
+
+> Docker는 애플리케이션 개발, 배포 및 실행을 위한 개방형 플랫폼입니다.  
+> Docker를 사용하면 애플리케이션과 인프라를 분리하여 소프트웨어를 신속하게 배포할 수 있습니다.  
+> 또한 애플리케이션 관리 방식과 동일한 방법으로 인프라를 관리할 수 있으며,  
+> 코드 배포·테스트·배포 방법론을 활용해 코드 작성부터 프로덕션 실행까지의 지연 시간을 크게 줄일 수 있습니다.
+
+여기서 집중해야할 부분은 **애플리케이션과 인프라를 분리**하여 소프트웨어를 배포한다는 점입니다.
+
+### 핵심 개념
+- **컨테이너 기반 가상화** 기술
+  - 호스트 커널을 공유하면서도 프로세스·네트워크·파일시스템을 격리
+  - 전통적 VM 대비 훨씬 가볍고 빠름
+
+- **이미지(Image)**
+  - 애플리케이션 실행에 필요한 파일·라이브러리 스냅샷
+  - Dockerfile로 정의하고, 계층(layer) 단위로 캐시 활용
+
+- **컨테이너(Container)**
+  - 이미지의 실행 인스턴스
+  - 생성·시작·중지·삭제가 자유롭고, 일관된 실행 환경을 보장  
+
+## 왜 Docker가 필요한가?
+#### 환경 일관성 보장  
+- "제 PC에서는 잘 되는데요?" 문제 해결   
+- 개발 · 테스트 · 프로덕션 전 단계에서 동일한 환경 제공  
+
+#### 높은 이식성(Portability)  
+- 로컬 노트북, 온프레미스 서버, 퍼블릭 클라우드 **어디서나 실행**  
+- 레지스트리(Docker Hub, Private Registry)에 이미지를 중앙화  
+
+#### 빠른 배포 및 스케일링  
+- 컨테이너 단위로 서비스 확장·축소  
+- 오케스트레이션(Kubernetes, Docker Swarm)과 연동해 자동 스케일링  
+
+#### 리소스 효율성  
+- VM 대비 오버헤드 적음 → 동일 하드웨어에서 더 많은 워크로드 실행  
+- cgroups를 통한 CPU·메모리 제한 가능  
+
+#### 협업 및 CI/CD 최적화  
+- 컨테이너 이미지를 코드처럼 버전 관리  
+- 파이프라인 내 `docker build` → `docker push` → `docker run`을 통한 자동화  
+
+## Image & Container
+### 이미지(Image)
+
+- **정의**  
+  읽기 전용 템플릿(스냅샷)으로, 컨테이너 실행에 필요한 애플리케이션 코드·라이브러리·설정 파일을 **레이어(layer)** 단위로 저장  
+- **특징**  
+  - **불변(Immutable)**: 한 번 빌드된 이미지는 변경되지 않음  
+  - **레이어 캐시**: 변경 없는 레이어는 재빌드하지 않아 빌드 속도 및 저장 효율 증가  
+  - **공유 가능**: 여러 이미지가 동일한 레이어를 참조  
+- **주요 명령어**  
+  - `docker build -t <이름>:<태그> .` → Dockerfile로 이미지 생성  
+  - `docker images` → 로컬 이미지 목록  
+  - `docker pull <이미지>` / `docker push <이미지>` → 레지스트리와 동기화  
+
+### 컨테이너(Container)
+
+- **정의**  
+  이미지에 **읽기-쓰기 레이어**를 더해 실제 프로세스가 실행되는 인스턴스  
+
+- **특징**  
+  - **격리(Isolation)**: 네트워크, 프로세스, 파일시스템이 분리  
+  - **라이프사이클**: 생성(create) → 시작(start) → 중지(stop) → 삭제(rm)  
+  - **일관성**: 어디서 실행해도 동일 동작 보장  
+
+- **주요 명령어**  
+  - `docker run <이미지>` → 컨테이너 생성·시작  
+  - `docker ps` / `docker ps -a` → 실행 중/전체 컨테이너  
+  - `docker exec -it <컨테이너>` → 내부 명령 실행  
+  - `docker stop/start/rm <컨테이너>` → 중지·재시작·삭제  
+
+지금까지 Docker의 개념과 필요성을 살펴보았습니다.  
+다음 세션에서는 Docker 기본 명령어(`docker run`, `docker ps`, `docker exec`, `docker logs` 등)를 직접 실습하며 컨테이너를 생성하고 관리하는 방법을 배워봅니다.