1 Apple M1芯片介绍
1.1确认芯片类型
首先查看自己mac电脑的芯片类型，看是Intel，amd，还是苹果基于arm架构自研的arm64芯片，方法：在终端命令行输入uname -a 或者uname -m 可以看到芯片内核架构，M1是arm64芯片架构；tensorflow官方镜像截止2022-02-08为止，不支持arm64架构芯片（查看支持芯片类型请参照docker简介部分），程序运行时会提示内核崩溃，无法运行程序；
2 Docker简介
2.1介绍
docker官方正式介绍在此不再赘述，可以查看docker官网www.docker.com，推荐中文学习网站https://www.runoob.com/docker/docker-tutorial.html
2.2 docker4大核心：
（1）image镜像：提供基础的程序运行环境，只读，不可编辑更改；以“层”的方式进行叠加起来的运行环境；
（2）container容器：镜像启动时，在镜像层的基础之上新增的一层，可编辑，用于存储用户自己的内容；
（3）volume挂载卷：用于持久性地存储数据；容器运行时，容器产生的数据都会存储在volume中，否则当容器停止运行后，数据就会丢失；
（4）compose组件；多容器运行，连接的关键部分；
2.3优点
我主要看中它的几个优点：（1）实现不同的开发环境之间的隔离以及开发环境和物理机之间的隔离，实现即插即用，用完即毁，减小对物理机资源的占用；（2）利用别人制作好的镜像快速搭建开发环境，免去各种繁杂的安装配置过程，如果想对镜像做优化配置，可以给予别人现有的镜像基础之上，利用dockerfile的构建镜像方法，构建自己想要镜像。（3）利用docker官方提供的远程开发环境搭建流程，可以快速集成到Visual studio code中进行开发；开发后可以上传到自己在docker官网上的存储库；（4）团队协作时，团队成员可以快速地配置统一的开发环境，避免环境不一致导致的bug，简单、高效；
3 Visual studio code介绍
一句话：简直就是一款开发神奇。微软出品的开发工具，简称vs code或者vsc，自从微软收购了GitHub后，vsc无缝连接GitHub、微软云Azure、Docker，各种神插件，特别有一个叫GitHub copilot的自动编程的插件，根据你编写的函数名称能自动编写函数体内容，根据编写语句上下文，能自动编写相关语句，开发效率提高十倍不止。具体介绍参见https://copilot.github.com/
4 Tensorflow镜像介绍
不用过多介绍，谷歌出品的AI开发框架；
5 搭建流程
5.1安装基础工具
根据需要该注册账号就注册
（1）去docker官网（https://www.docker.com/products/personal）下载安装桌面版的Docker工具。
（2）去官网https://code.visualstudio.com/下载安装vs code工具。
推荐安装的扩展插件
5.2寻找可用镜像
docker官网找能用的tensorflow镜像 https://hub.docker.com/
如果缺少第3步，则搜索出来排在前面的是Google官方提供的镜像，但都不支持Apple M1芯片。
图中排在前3个都是经过官方认证的，应该是优先推荐的，但是经过实际测试，镜像中安装的python版本太多，导致编程时，import导入模块时（例如tensorflow和numpy模块）提示模块找不到，但是在终端命令行或者用jupyter浏览器编程，就是没有问题的。对于想要体验vscode智能编程的我，果断放弃了这种镜像。于是有了下面第4步
不过很期待谷歌官方发布支持arm64，且能支持GPU的镜像
5.3基于docker搭建远程开发环境
至此远程Tensorflow的AI开发环境已搭建完毕，为啥说远程呢？因为docker是一种C/S架构，docker 容器环境本质上是服务端，本机电脑是客户端，所以说是远程开发环境。
6 需要识别和避免的坑
（1）TensorFlow镜像和电脑芯片不匹配问题；
（2）启动镜像，登录容器时，非root用户无root权限时，vscode无法远程进入容器，启动命令行终端失败；此问题是由于镜像创建时，在dockefile中指定的，若不指定，则默认为root用户，但这在后期团队开发过程中产生次生问题，解决方法：①docker run时指定root用户，如docker run -u root ……；② dockefile 中给非root用户赋予root权限；③找符合要求的镜像，如上文推荐的；
(3)镜像中由于层层叠加，按照python版本过多，编辑器编程导入模块时无法识别模块；
（4）加载卷volume无法保存数据：由于镜像中设置的工作文件路径是home/tensorflow，且只能在此文件夹下进行编辑，而从docker官方进入vscode，会默认创建一个home/vscode的文件，所有新增的数据文件都只能保存在此文件夹下，由于没有编辑home/vscode的权限，所以无法保存新增数据。解决方法，对home/vscode进行授权，在终端命令行输入sudo chmod 777 vscode 提示输入密码password时，输入tensorflow即可；因为镜像在创建账户tensorflow时，把密码和账户设置成了一样。
（5）镜像中会存在一些依赖库缺失的情况，自己可以手动用pip命令安装依赖，但是当镜像容器停止，重新启动后，新安装的依赖会丢失，此时，需要需要自己重新打包，生成自己专属的镜像，
以上就这些吧，用了近一周时间，踩了很多坑，尝试了很多模式，找到了此种我认为简单、好用的方法，欢迎私信交流。
7 如何基于别人现有的镜像，打包、构建自己专属的镜像
此部分属于升级部分，请私聊
