教程｜使用 Docker 安装深度学习环境
用 Docker 安装深度学习环境，轻量、方便！整个系统大小仅需2~3G，用完还能带着走！一人装环境，全都能用，还有 NVIDIA 官方提供的 GPU 镜像等着你哦~
1.什么是 Docker2.关于 Docker 的几个概念3.为什么用 Docker4.实战：使用 Docker 创建并分享一个深度学习环境
深度学习环境的配置一直是一个令人头疼的问题，尤其是对使用 Windows 平台的用户来说，在安装一些开源深度学习框架的时候，经常会遇到一起奇奇怪怪的问题。更有一些深度学习框架（比如 PyTorch），目前没有提供对 Windows 平台的官方支持。
为了避免出现环境问题，有些同学选择使用 VMware、VirtualBox 运行 Linux 虚拟机的方式进行深度学习实验。但是像 VMware、VirtualBox 这类“重”虚拟机运行起来常会拖慢系统，并且这些虚拟机目前是不支持 GPU 虚拟化的。
所以今天要分享给大家的是使用 Docker 配置安装深度学习环境。
使用Docker安装环境的优点如下：
无需自己配置环境，通过 Docker 镜像可以使用各种已配置好的深度学习环境。
轻量便捷。一个 Docker 客户端+一个镜像，总共大约3~4G即可组成一个深度学习系统环境。
便于分享。可以将自己的环境通过镜像库或直接以文件拷贝的方式传播。
官方支持。很多深度学习框架&项目提供官方 Docker 镜像。
英伟达专门提供的支持GPU虚拟化的Docker镜像：
1.什么是Docker？
已经熟悉 Docker 的同学肯定已经有了自己的理解。
我这里给出一种简单（但不一定严谨）的描述，以供初学者快速理解。
Docker 类似于我们使用的虚拟机软件（VMware，VritualBox），可以创建、运行虚拟系统。
网上可以找到大量的 Docker 虚拟系统（镜像）。我们只需要搜索想要的系统环境（比如Python3.6+PyTorch），然后使用 Docker 运行它，就可以在其中调试深度学习程序。
那 Docker 与之前说的“重量级”虚拟机软件有什么不同的地方？
别急，在下面我们会专门说明这个问题，且慢慢往下看~
2.关于Docker的几个概念
关于 Docker 的组成部分，有那么几个小概念需要大家提前了解一下。
镜像
Docker 镜像就是系统环境的载体。
Docker 镜像是 Docker 容器运行时的只读模板，类似于虚拟主机本体。
从 Docker 镜像仓库中可以找到大量可用的镜像，你可以按照自己的需求自行搜索，比如寻找一个安装了 PyTorch+Jupyter Notebook 的系统镜像。
容器
每一个 Docker 容器都是从 Docker 镜像中创建的。
之所以有容器的存在，因为镜像是只读的。当我们通过镜像运行一个系统环境（虚拟机）时，Docker 就会创建一个容器来容纳这个系统环境。我们在这个环境中进行的修改（包括创建文件、安装新软件包等等），相当于都是在容器中进行的，不会影响到原来的镜像。
在我们想分享修改后（比如安装了新软件包）的系统时，我们可以执行“commit”命令。这时被我们修改过的容器，就会提交到镜像中，形成新版本的镜像。这个过程特别像GitHub的使用。我们从GitHub上clone下代码，修改，然后直到 commit 提交。
简单来说，容器可以视为镜像的“运行态”。
Docker Hub
官方的镜像发布网站，你在这里可以找到自己需要的镜像。
然而在国内，我们往往使用国内的镜像库，比如阿里云、网易蜂巢等等。
3.为什么要用 Docker？
有同学可能有疑问：既然 Docker 也是一种虚拟机，那我用 VMware，VritualBox 不是一样吗？
我们使用 Docker 搭建深度学习环境的理由有三个：
1.轻量级便捷。使用 VMware 等软件还需要经历一个漫长的“安装操作系统”的过程。使用 Docker 只需要从网上找到合适的镜像下载到本地就好了。
2.便于分享。使用 Docker 建立的镜像很小巧，很适合分享。比如你配置好了一个 PyTorch 的镜像，可以直接拷贝给实验室的其它小伙伴。
3.易于部署。如果你在 Docker 容器中训练好一个模型，并且为它搭建了一个 web 可访问的使用接口。那么你可以把这个容器打包成Docker镜像，直接将这个镜像部署到服务器上，无需在服务器上重复布置软件环境。
另外 Docker 运行本身对系统的拖累很低，一般运行镜像并不会导致系统卡顿。此外 Docker 还有良好的资源隔绝机制，以及 Docker 镜像有着“镜像层级版本”的机制。这些都是 Docker 的特性，但目前我们还用不到，所以我们在这不做过多的讨论。
4.实战：9步创建深度学习环境
如何使用 Docker 创建并分享一个深度学习环境呢？需要9个步骤：
使用 阿里云 镜像站点加速服务
Docker-machine？
从阿里云镜像获取一个与需求相似的镜像
把镜像从库里拖拽过来！
查看并运行镜像
将容器的修改提交到镜像中
将镜像上传到阿里云镜像仓库中
将镜像打包为独立文件
测试分享出的 Docker 镜像
1.使用 阿里云 镜像站点加速服务
在安装 Docker 后，理论上我们就可以去 Docker Hub 上寻找我们想用的镜像了。不过在国内访问国外的 Docker Hub 速度是非常慢的，所以我选择使用阿里云的镜像仓库。
访问：https://cr.console.aliyun.com/#/accelerator
注册阿里账户并登录。
选择 Docker 镜像加速器。
在这个界面里我们可以看到属于自己的镜像加速器地址。我们要把这个加速地址配置到 Docker 里，从而让 Docker 默认从加速地址中寻找并下载镜像。
Linux 操作系统的配置都是通过修改 daemon 配置文件完成的，这个配置看起来比较简单。
Mac 以及 Windows 操作系统由于系统限制，必须使用 docker-machine 来配置加速地址。
2.Docker-machine?
docker-machine 本质上是又是另一种虚拟机（怎么那么多虚拟机），我们暂且把它理解为一个自带 Docker 的 VirtualBox 虚拟机。
上图配置中第一条命令的意义是：使用阿里的加速地址创建一个 docker-machine 虚拟机并启动。
后三条命令的意义是：通过配置环境变量（只在本终端中有效）用 docker-machine 虚拟机中的 Docker 环境覆盖宿主机系统环境。
执行这三条命令后：
在 Docker-machine 运行期间，在当前的宿主机终端中执行的 Docker 命令，实际上都是由 docker-machine 虚拟机中的 Docker 环境执行的，因为只有 docker-machine 虚拟机配置了阿里的加速地址。
3.从阿里云镜像获取一个与需求相似的镜像
在镜像加速器地址配置完毕后，我们就可以去寻找需要的 Docker 镜像了。
我想找个已经安装好 Python3.6 的镜像，以便进一步安装最新的 PyTorch 以及其它相关的软件包，那么我搜索“python36”。
4.把镜像从库里拽过来！
可以点击镜像详情，查看镜像的外网地址，然后把镜像拽到本地上来（之前必须已经配置好阿里加速器）。
docker pull registry.cn-shenzhen.aliyuncs.com/chenxl/python3.6
5.查看并运行镜像
我们可以使用命令 docker images 查看镜像信息：
使用 docker run 命令将镜像运行为可交互的 shell：
在命令中：
-t:在新容器内指定一个伪终端或终端。
-i:允许你对容器内的标准输入 (STDIN) 进行交互。
在命令运行后，我们可以观察到当前 shell 里的提示符已经从“Alex-MacBook-Pro”已经改成了“root@f8ad6eb17624”，这证明我们已经在 Docker 容器的系统环境中了。
我们按照常规的方式安装深度学习环境，比如用 pip 命令安装 PyTorch、torchvision 等软件包，并将项目源码拷贝到运行的容器中。
在宿主机与 Docker 容器间拷贝数据可使用 docker cp 命令。
在容器里进行一系列的操作后，我们的工作完成，可以运行 exit 命令退出当前 shell。
此时我们可以观察一下当前的容器（docker ps -al）与之前的镜像（docker images），可以看到容器与镜像同时独立存在，并且可以看到在容器中正在运行的项目（交互shell，即/bin/bash）。
6.将容器的修改提交到镜像中
假设我们在容器里安装了新的软件包并且跑通了自己的项目，现在打算把容器提交成镜像分享给其它小伙伴。
需要操作的流程如下：
首先查看容器的ID（docker ps -al）：
将容器提交到镜像中，同时我们给它指定新的名字（docker commit [ID] [NEW_name]）：
提交完成后我们再查看本机存在的镜像（docker images）：
可以看到经我们修改后的新镜像“python36/pytorch”独立存在。
有句话叫“取之于民，用之于民”。
我们可以把这个包含最新版 PyTorch 环境的镜像上传到阿里云的镜像库中，让更多的人可以使用我们的镜像。
7.将镜像上传到阿里云镜像仓库中
我们首先在阿里云上创建一个镜像仓库：
然后我们需要在当前的终端中登录阿里云仓库（之前必须配置了阿里云加速器）：
docker login --username=USER_NAME registry.cn-hangzhou.aliyuncs.com
要把镜像上传到指定的镜像库，需要先对镜像进行命名。整个名字由冒号“:”分成两部分，前部分是我们在上一步建立的镜像仓库的地址，后部分是对当前镜像打的标签（TAG）。TAG的存在是为了允许一个镜像库里存在多个版本的镜像。
好，这时候万事具备了，我们运行 push 命令将镜像推送到云镜像库中。
在上传结束后，我们就可以在云镜像库的web管理界面看到我们的镜像了。
8.将镜像打包为独立文件
除了上传云镜像库，我们也可以直接将镜像打包成一个独立文件，拷贝分享给别人使用。
同样，我们使用命令 docker images 查看镜像的名字：
再使用 docker save -o 将目标镜像打包成文件。
9.测试分享出的 Docker 镜像
现在让我们测试下之前导出的镜像。
首先尝试导入刚刚在本地打包的镜像：
导入成功。
再试下从阿里云镜像库中把之前建立的镜像 pull 下来：
