在本章中，我们将研究以下主题：
- 安装 Docker
- 构建机器学习 Docker 文件
- 在您的主机和 Docker 容器之间来回共享数据
- 使用 Docker 容器内部运行的机器学习基础架构构建 REST 服务
我们需要下载 Docker 才能安装它，在本节中，您将看到我们如何在 Windows 上安装 Docker 并使用适合在 Linux 上安装的脚本。
让我们从这里安装 Docker。 完成此操作的最快方法是前往菜单。 在这里，我们将选择下载 Windows 版本。 单击一下，直接转到 Docker 商店，您可以在其中下载适用于您平台的特定安装程序，如以下屏幕快照所示：
Docker 安装程序窗口
所有平台都可以在这里找到。 我们将只下载 Windows 的 MSI。 它的下载速度相对较快，将其下载到 PC 上后，只需单击 MSI 安装程序，它就会快速继续。
在 Ubuntu 上安装最好使用脚本来完成。 因此，我提供了一个示例安装脚本（install-docker.sh），该脚本将更新您的本地包管理器，以指向官方 Docker 发行版存储库，然后仅使用应用即可完成安装。
在 Linux 上安装 Docker 非常简单：只需运行我提供的install-docker shell 脚本即可。 包将更新，下载然后安装。 当结束时，只需键入docker --help以确保已安装所有内容：
docker --help命令的输出
现在，为了获得 GPU 支持，这将使您的 Keras 和 TensorFlow 模型运行得更快，有一个名为nvidia-docker的特殊版本，该版本将 Ubuntu 上的设备暴露给 Docker 容器以允许 GPU 加速。 也有一个安装脚本（install-nvidia-docker.sh）。 现在，假设您确实有一个真正的 NVIDIA 图形卡，则可以使用 NVIDIA Docker 代替 Docker。
在这里，我们正在运行一个使用 NVIDIA SMI 的测试命令，它实际上是一个状态程序，向您显示计算机上的 GPU 状态：
GPU 状态
您会看到，我们的 TITAN X 完全暴露于 Docker。 安装 Docker 是一个相对容易的操作。
在下一部分中，我们将研究编写 Docker 文件以建立完整的机器学习环境。
现在，让我们开始准备准备机器学习的 Docker 文件。 在本节中，我们将研究克隆源文件，Docker 所需的基本镜像，安装其他必需的包，公开一个卷以便您可以共享您的工作以及公开端口以便您能够查看 Jupyter 笔记本，这是我们将用来探索机器学习的工具。
现在，您需要获取这些部分附带的源代码。 前往这里，您可以在其中快速克隆存储库。 在这里，我们只是使用 GitHub for Windows 作为一种相对快速的方法来克隆该存储库，但是您可以以自己喜欢的任何方式使用 Git。 将这些文件放在哪个目录中都没有关系。 我们只是将它们下载到本地工作目录中。 然后，我们将使用此位置作为开始构建实际 Docker 容器的位置。
在克隆存储库中，查看 Docker 文件：
Docker 文件代码
这就是我们将用来创建环境的东西。 我们从具有 CUDA 和 cuDNN 驱动程序的基本 NVIDIA 镜像开始，它将在将来支持 GPU。 现在，在下一部分中，我们将更新容器上的包管理器，以确保我们具有git和wget更新的图形包，以便能够在笔记本中绘制图表：
Docker 文件代码
现在，我们将要安装 Anaconda Python。 我们正在从互联网上下载它，然后将其作为 shell 脚本运行，它将 Python 放置在计算机上。 完成后，我们将进行清理：
Docker 文件代码
Anaconda 是一种方便的 Python 发行版，可用于机器学习和数据科学任务，因为它带有预构建的数学库，尤其是 Pandas，NumPy，SciPy 和 scikit-learn，它们是使用优化的英特尔数学内核库构建的。 这是因为，即使没有 GPU，使用 Anaconda 通常也可以获得更好的性能。 它还具有以下优点：不是以 root 身份或全局方式安装在系统下，而是安装在主目录中。 因此，您可以将其添加到现有系统上，而不必担心破坏可能依赖 Python 的系统组件，例如，在用户的bin中或由全局包管理器安装的组件。
现在，我们将在名为 Keras 的容器上设置一个用户：
Docker 文件代码
当我们运行笔记本时，它们将以该用户身份运行，因此您将始终知道谁拥有文件。 并非一定要创建特定用户来设置容器，但是可以确保设置一致，这很方便。 随着将这些技术更多地与 Docker 结合使用，您可能会探索不同的基础镜像，并且在这些镜像上设置的那些用户目录可能与您期望的不完全相同。 例如，您可能使用其他外壳程序或具有其他主目录路径。 自行设置可保持一致。
现在，我们实际上将在我们的环境中安装conda：
Docker 文件代码
这将是我们在这里使用的 Python，并且我们将在其之上安装 TensorFlow 和 Keras，以拥有一个完整的环境。 您会在这里注意到我们同时使用conda和pip。 因此，conda是 Anaconda Python 随附的包管理器，但是您也可以使用常规的pip命令添加无法作为conda预打包图像使用的包。 因此，您可以始终以这种方式混合搭配以获取所需的包装。
在最后几节中，我们将设置VOLUME：
Docker 文件代码
这将允许访问计算机上的本地硬盘驱动器，以便在编辑和处理文件时文件不会在容器内丢失。 然后，我们公开了一个共享 IPython 笔记本的端口。 因此，该容器将提供端口8888，并在该容器上运行 IPython 笔记本，然后您就可以直接从 PC 对其进行访问。
请记住，这些设置是从容器的角度来看的：当我们说VOLUME src时，我们真正要说的是在容器上创建一个/src，该容器准备从任何主机上接收金额 ，我们将在后面的部分中实际运行容器时进行操作。 然后，我们说USER keras：这是我们之前创建的用户。 之后，我们说WORKDIR，它表示当我们最终运行命令jupyter notebook时，将/src目录用作当前工作目录。 这将设置所有内容，以便我们具有一些合理的默认值。 我们正在以期望的用户身份运行，并且将要进入的目录位于我们期望运行的目录中，该命令将从 Docker 的容器中显示在网络端口上。
现在我们已经准备好 Docker 文件，让我们看一下一些安全设置以及如何与容器共享数据。
在本节中，我们将研究在 Docker 容器和桌面之间共享数据。 我们将介绍一些必要的安全设置以允许访问。 然后，我们将运行自检以确保正确设置了这些安全性设置，最后，我们将运行实际的 Docker 文件。
现在，假设您已经安装并运行了 Docker，则需要从“设置...”菜单中的可爱小鲸鱼进入 Docker 设置。 因此，转到任务栏的右下角，右键单击鲸鱼，然后选择“设置...”：
Docker 设置
为了使VOLUME正常工作，我们需要进行一些安全设置，以便我们的 Docker 容器可以查看我们的本地硬盘驱动器。 我从鲸鱼中弹出了此设置，我们将选择并复制稍后将使用的测试命令，然后单击“应用”：
Docker 设置窗口
现在，这将弹出一个新窗口，要求您输入密码，以便我们允许 Docker 将共享驱动器映射回我们的 PC，以便可以从容器内看到我们 PC 的硬盘。 该共享位置是我们将要工作和编辑文件的位置，以便我们可以保存我们的工作。
现在我们有了从对话框中复制的命令，我们将继续将其粘贴到命令提示符中，或者您可以在要运行测试容器的位置键入它，以确保我们的 Docker 安装程序实际上可以看到本地硬盘驱动器：
C:\11519>docker run --rm -v c:/Users:/data alpine ls /data因此，您可以看到，使用-v开关，我们说的是c:/Users:（实际上在本地 PC 上），然后是/data（实际上在容器上），即体积和[ alpine测试机。 您会看到，它正在下载alpine测试容器，然后运行ls命令，并且我们可以访问：
ls命令的输出
请注意，如果您在 Linux 上运行，则无需执行以下任何步骤； 您只需使用sudo运行 Docker 命令，具体取决于您实际共享的文件系统。 在这里，我们同时运行docker和nvidia-docker以确保我们可以访问主目录：
运行 docker 和nvidia-docker
请记住，nvidia-docker是 Docker 的专用版本，带有带有很好的便捷包装的插件，可从 Docker 容器中看到 Linux 安装上的本地 GPU 设备。 如果您打算使用 GPU 支持，则需要记住使用nvidia-docker运行它。
现在，我们实际上将使用docker build命令来构建容器。 我们将使用-t为其命名为keras，然后继续运行以下命令：
C:\11519>docker build -t keras .实际上，这将相对较快地运行，因为实际上我已经在此计算机上构建了它，并且缓存了许多文件：
Docker 构建输出
请注意，但是，第一次运行可能要花费 30 分钟。
方便地，在 Linux 上构建的命令与在 Windows 上使用 Docker 的命令完全相同。 但是，如果要在 Linux 主机上使用 GPU 支持，则可以选择使用nvidia-docker进行构建。 那么docker build的作用是什么？ 好吧，它将获取并执行 Docker 文件，下载包，创建文件系统，运行命令，然后将所有这些更改保存到虚拟文件系统中，以便以后可以重用。 每次运行 Docker 容器时，它都从运行构建时的状态开始。 这样，每次运行都是一致的。
既然我们已经运行了 Docker 容器，我们将继续到下一部分，在这里我们将使用 Jupyter 笔记本设置并运行 REST 服务。
既然我们已经构建了 Docker 文件并使其可读，那么我们将在容器内运行 REST 服务。 在本节中，我们将研究运行 Docker 以及正确的命令行参数，REST 服务中公开的 URL，最后，我们将验证 Keras 是否已完全安装并正常运行。
现在要获得回报：实际上，我们将使用docker run命令运行我们的容器。 我们将在这里传递几个开关。 -p会告诉我们容器上的端口8888是我们 PC 上的端口8888，以及-v命令（我们实际上将挂载本地工作目录，这是我们克隆的位置） 来自 GitHub 的源代码）将安装到容器的卷中：
C:\11519>docker run -p 8888:8888 -v C:/11519/:/src keras按下Enter，然后突然您会看到一个令牌，我们将使用该令牌来测试通过 Web 浏览器登录 IPython 容器：
输出-docker run
请注意，此令牌在每次运行实例时都是唯一的，并且对于您的 PC 也会有所不同。
现在，如果您在基于 Linux 的计算机上具有 GPU，则gpu文件夹中将有一个单独的 Docker 文件，您可以使用该文件来构建 Docker 容器，以获得加速的 GPU 支持。 因此，正如您在此处看到的那样，我们正在构建该 Docker 容器并将其命名为keras-gpu：
构建 Docker 容器
构建容器需要一些时间。 在输出中实际上没有什么需要注意的； 您只需要确保容器实际上在最后成功构建即可：
构建 Docker 容器
现在，随着容器的构建，我们将继续运行它。 我们将使用nvidia-docker运行它，它将 GPU 设备公开到您的 Docker 容器：
sudo nvidia-docker run -p 8888:8888 -v ~/kerasvideo/:/src keras-gpu否则，命令行开关与实际运行直线 Keras 容器的方式相同，除了它们分别为nvidia-docker和keras-gpu。 现在，一旦容器启动并运行，您将获得一个 URL，然后您将使用该 URL 并将其粘贴到浏览器中以访问由该容器提供的 IPython 笔记本：
输出-在 Ubuntu 系统上运行的 docker
现在，我们将继续快速制作一个新的 IPython 笔记本。 当它启动时，我们将import keras，确保它加载，然后花一秒钟才能出现：
硬载
然后，我们将使用以下使用 TensorFlow 的代码来检测 GPU 支持：
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())因此，我们将运行前面的代码，以查看库和设备：
检测库和设备
现在，我们可以看到GPU。
转到我们的 Web 浏览器，继续并粘贴该 URL 并转到：
浏览器窗口（localhost）
糟糕！ 由于0.0.0.0不是真实的计算机，因此无法达到； 我们将其切换为localhost，点击Enter，然后确定我们有一个 IPython 笔记本：
IPython 笔记本
我们将继续创建一个新的 Python 3 笔记本，并通过查看是否可以导入keras库并确保一切正常来对其进行快速测试。
看起来我们都准备好了。 我们的 TensorFlow 后端很不错！
这是我们将在本书中运行的环境：充分准备并准备就绪的 Docker 容器，因此您需要做的就是启动它，运行它，然后与内部托管的 Keras 和 IPython 笔记本一起使用。 这样您每次都可以拥有一个轻松，可重复的环境。
在本章中，我们研究了如何安装 Docker，包括从这里获取它，设置机器学习 Docker 文件，与主机共享数据回传。 ，然后最后，运行 REST 服务以提供我们将在本书中使用的环境。
在下一章中，我们将深入研究并开始查看实际数据。 然后，我们将从了解如何获取图像数据并准备将其用于机器学习模型开始。