熟悉深度学习开发框架的朋友都知道，”caffe“的安装麻烦、耗时长，而且很容易因为电脑环境没有配置好导致错误。每次有新同事来，我们都要在他电脑上安装一遍”caffe“，经常会因为电脑环境而不断报错。
目前TensorFlow受到很多深度学习开发者的追捧，很可惜，当下TensorFlow没有mac版本，所以每次要使用TensorFlow开发时，需要去连接远端服务器，而且还不能调试，操作不灵活。
这个时候，我们想到了Docker。
很多人喜欢说Docker是一种虚拟机，我不喜欢这个说法。虚拟机给人的第一印象是笨重、占内存大。相比于一般意义上的虚拟机，Docker更像是一个轻量级的应用管理工具。Docker像是微信平台，Docker上的应用便是小程序。当然，这个比喻只是想说明Docker的轻量化，也有一些不准确，微信小程序是对原始程序进行了”瘦身“，Docker是对应用依赖的操作系统进行了“瘦身”。
如果你要在虚拟机上安装Windows系统下的功能，你需要安装整个Windows系统文件，可能要好几个G,而在Docker下，安装Windows系统的内核，也就几十兆。
我们将TensorFlow、caffe、pytorch、Keras等常用的工具集成到Docker镜像中，每次需要在新机器上安装这些工具时，只需要安装Docker，再把Docker镜像拷贝安装即可，无需重新配置工具所需的运行环境。
Docker镜像是依赖于Docker环境的应用安装包，Docker容器是应用。Docker的官方文档称：docker镜像是类，docker容器是对象。这也就意味着在docker上可以有很多个一模一样的容器，这些容器之间是相互独立的。就好比现在很多手机上的“应用分身”功能，一个手机上有两个微信，登录着不同的账号，且同时运转，相互没有干扰。
Docker镜像有很多种构建方法，你可以在已有的容器中安装新的功能，将它保存成镜像，也可以通过Dockerfile去构建镜像。Dockerfile是用来生成镜像的文件。我们将写好的Dockerfile发送到Docker cloud 让第三方去生成镜像，最后一个命令 “docker pull image_name”即可。
在使用了Docker之后，我可以在Mac上使用TensorFlow的CPU版本进行开发调试，最后将没有bug的程序放在远端服务器借助GPU处理以提高效率。在之前没有Docker的情况下，只能在远端开发，效率很低。
最近在进行烟囱识别(在遥感影像上标识出有烟囱的地方)的工作中，便是用到了Docker，我将带有TensorFlow(CPU版本)的镜像‘pull’到本地之后，生成容器，将pycharm连接到容器，在容器中编辑、运行和调试深度学习的程序。
但是有一个新问题，docker和GPU的问题，直接使用docker运行的容器是不能调用GPU的，因为docker的镜像是脱离硬件的，而cuda的安装必须依赖于硬件，所以在镜像中无法安装cuda。利用GPU处理图像的深度学习问题是高效的，而且每个深度学习的框架工具也是支持GPU模式的。为了解决这个问题，英伟达公司发布了nvidia-docker。下图为nvidia-docker的技术框架。
英伟达通过nvidia-docker解决了容器中深度学习框架工具使用GPU的问题。这样我们便可使用GPU来处理深度学习的程序。
欢迎从GeoHey获取地理和位置相关的数据、知识、服务
长按关注公众号
