西部数据网站空间网站开发课程报告心得

一、背景

思考：

在一个项目的部署阶段，往往需要部署到云服务器或者是终端设备上，而环境的搭建往往是最费时间和精力的，特别是需要保证运行环境一致性，有什么办法可以批量部署相同环境呢？

Docker本质——打包环境；

将本机的环境和代码一同打包在docker环境中，生成一个容器，可以部署到任何服务器和机器下，节省了环境安装的精力并确保了环境的一致性；

二、window安装docker

Window建议安装docker toolbox，因为window家庭版安装docker for window可能会出现不适配情况；

下载地址：https://github.com/docker-archive/toolbox/releases

（多个版本，选择一个版本即可，下载exe版本）

安装过程就是无脑安装即可，默认安装在C盘，安装后会出现两个程序，一般使用第一个程序；

打开Docker Quickstart Terminal，默认会下载一个最新的镜像，由于网络问题会出现以下问题：

这里手动复制下载的地址，在浏览器中下载后放在C:\Users\用户名\ .docker\machine\cache下：

重新运行一遍，短暂初始化后出现以下界面，即代表Docker安装成功：

接下来就可以实际使用docker来安装一个环境了；

三、配置阿里云加速器

官方容器下载地址：https://hub.docker.com/

官方下载存在一个问题，就是下载速度不够快，这里需要配置以下阿里云加速器；

步骤：

1、登录阿里云平台，找到镜像加速器选项；

网站地址：https://cr.console.aliyun.com/cn-hangzhou/instances/mirrors

2、在Docker中配置，执行以下命令：

1.docker-machine ssh default 
2.sed -i "s|EXTRA_ARGS='|EXTRA_ARGS='--registry-mirror= 加速器地址|g" /var/lib/boot2docker/profile 
3.exit 
4.docker-machine restart default

在cmd命令行下执行docker info，如出现下面信息表示加速成功；

四、下载pytorch镜像

首先在官方hub里面找需要安装的镜像名称；

https://hub.docker.com/r/pytorch/pytorch

这里复制右边的命令到本地docker启动窗口即可，安装完毕后查看docker images即可看到；

启动该镜像：

docker run -it pytorch/pytorch

这里可以看出，该镜像自带的系统还是ubuntu，并且已经预装好了python3.7，当然这是一个极简环境，也就是说很多要用的包是没有的，需要自己安装；

比如要安装一个opencv的话，最好用上阿里源进行安装，这样安装速度是最快的；

pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

这里镜像已经成功安装了，下面可以跑一个简单的分类案例试试；

五、docker中run一个分类案例

首先需要将本地的项目copy到容器中，在拷贝地址下打开git；

后面这一串是容器id和需要拷贝到的文件夹地址（默认会创建）

安装缺少的一些包后，运行一下程序看看能否成功；

这里我们是通过服务部署的方式运行一个模型，所以会看到服务开启的界面：

但是我们需要打开另一个docker窗口开执行程序，这里就需要用到新的命令了；

docker exec -it id /bin/bash

可以看出我们成功请求并且得到返回结果，到这里可以开始自由的在docker跑自己的程序了，缺什么就安装什么即可！

六、上传自己的docker环境

在阿里云容器管理界面创建一个新的仓库；

点击管理会有一些操作命令指示，根据步骤在本机执行即可；

1、登录阿里云Docker Registry
docker login --username= registry.cn-hangzhou.aliyuncs.com
2、将镜像推送到Registry
docker tag [ImageId] registry.cn-hangzhou.aliyuncs.com/..../pytorch:[镜像版本号]
docker push registry.cn-hangzhou.aliyuncs.com/.../pytorch:[镜像版本号]

这里显示已经正在上传中，镜像文件比较大，需要的时间比较长；

七、Docker的一些进阶操作

在使用Jeston jx1开发版时候，使用docker配置GPU环境需要操作复杂一些，这里简单讲述下；

首先就是将本机的Nvidia环境映射到docker容器中；

docker run --runtime nvidia -it 【容器id】 /bin/bash

这里runtime超参数可以将本机的CUDA的环境，一些动态库直接映射到容器中去，在使用的时候也遇到一些问题，就是映射并没有完全成功，其原因找了很久，最后在ubuntu下重新安装一遍nvidia-docker这个包解决了，遇到问题的可以试试，这时候容器中的nvcc版本就是和本机一致的；

下一步就是将本机的一些数据或模型映射到容器中，虽然也可以用docker cp命令将文件copy到容器中，但如果大的数据集这个时间会花费很长，采用映射的方式是最方便快捷的，并且生成的新的图像也可以在本机上直接访问，不需要来回传输；

docker run -it --rm --runtime nvidia -v 【容器文件路径】:/【本机文件路径】 【容器ID】 /bin/bash

还有一些进阶使用，比如如何在docker中使用摄像头，如何在docker运行带图形化的界面程序，在这里就不具体讲解了，如果有需要的可以查阅一下文档；

总结

本篇Docker入门文章并没有具体讲解Docker的一些底层原理，而是从实际使用的角度出发，用一个图像分类的案例讲述了如何拉取镜像并使用，如何上传自己的镜像供他人使用；

如果有一些问题或者想法的话欢迎私信探讨！

最后放最爱的小企鹅！