本篇内容主要讲解“docker在深度学习任务中的应用是什么”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“docker在深度学习任务中的应用是什么”吧!
1 软件安装之痛
Docker是一种容器技术，它就像一个沙盒把应用程序隔离开来，不管有没有遇到过你至少听到某些应用程序不能兼容，最常见的就是升级某个系统，老版本跟新版本不能兼容，必须把老版本完全卸载掉。比如说oracle服务，如果把oracle安装到物理主机上,如果需要升级那将会比较痛苦。再比如说新手学习各种软件，apache、mysql、Python搞的电脑上乱七八糟的环境，想要重新安装都很痛苦。
2 docker出现
有没有一种技术能够把这个环境隔离开？有那就是虚拟机，如果你为了一个小服务单独开一个虚拟机是不是太奢侈？这时候docker出现了，docker是一种容器区别于虚拟机，使用docker你可以打包、发布、运行任何应用程序，如果你经常碰到开发环境与生产环境不一致，或者经常需要配置复杂的环境，那你就可以考虑使用它，
3 运行机制
下图是介绍docker运行机制，可以看出应用程序在相互独立的同时，分享物理机的资源
Docker最先是一种开源产品，现在有了社区版和企业版docker-ce与docker-ee。社区版基本已经满足我们。
笔者强烈推荐docker一个原因，那就是可以共享环境，只要有一个人把复杂的环境配置并打包成镜像，类似git一样，commit一个版本，那么其他人就可以直接使用这个环境，而不需要做任何配置，减少人力物力不说，还霸道的使得所有人的生产环境一致。
正是这个原因，我想到了入门机器学习时候，需要配置caffe/tensorflow，并且cuda版本号要对应上，cuda与cudnn版本也要对应上。当时就设想能不能使用docker来解决这个问题，遗憾的是不行，docker无法使用GPU。
但是办法总比困难多，docker又发布出一个插件nvidia-docker,nvidia-docker是基于docker安装的，可以使得深度学习任务也能隔离开，这就意味着，我可以在一台物理主机上跑各种框架的深度学习任务，环境随机配，你开心就好。唯一的限制就是物理机上的cuda版本号要与docker容器中的cuda版本号一致，我觉得这个要求不过分。
下图是nvidia-docker的运行机制，我们可以看到他们直接的层次结构。应用程序共享GPU,且被隔离开。
4 安装步骤
安装docker这里不再累赘，官网安装地址：
https://docs.docker.com/install/linux/docker-ce/ubuntu/。
nvidia-docker 安装官网地址：
https://github.com/NVIDIA/nvidia-docker。
现在我需要一个ubuntu16.04+cuda9.2+cudnn7的开发环境，我可以选择下载镜像再去配置各种驱动，安装cuda、安装cudnn。但是我要秀一下更“懒的方式”。
在docker hub里面查询cuda9.2,找到星星最多的一个镜像
里面很多镜像，我找到一个符合我自己要求的。
拉取镜像：sudo docker pull nvidia/cuda:9.2-cudnn7-runtime-ubuntu16.04
查看拉取的镜像：sudo docker ps
基于这个镜像启动容器：
sudo nvidia-docker run -ti nvidia/cuda:9.2-cudnn7-runtime-ubuntu16.04 bash
现在我已经进来了，完全就是一个干净的开发环境，等下，看看显卡驱动配置好了没。
开心的不行，如果你对版本没有这个高的要求，那我们来github里面找找看看还有什么镜像，搜索 tensoflow.
到此，相信大家对“docker在深度学习任务中的应用是什么”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
