你是否还在用压缩包打包你的代码，然后在新的机器重新安装软件，配置你的环境，才能跑起来？

特别有这样的情况：诶，在我电脑跑的好好的，怎么这里这么多问题？

当项目比较简单的时候，装个Mysql、Nodejs、Anaconda并不是难事，但如果你的环境更多，新机器更多，你还一个个配置，估计你会疯掉。

还有就是最恶心的深度学习环境，配置Cuda，Cudnn，Pytorch，TensorFlow，Opencv，GDAL就花一天时间，打开百度，弹出来各种各样的教程，为了解决各种Bug眼睛都看花了，找不到一个可以解决你的问题的。

还有前端项目，经常会遇到的Node-Sass缺少Python依赖，还有Nodejs版本问题（狗头）

那么是否有一个东西可以一键部署，不用这么麻烦配置一堆东西的解决方案呢？

Docker！！！Of course！！！

本期就教大家如何用Docker快速，配置最恶心的深度学习环境。考虑大多数人用的是windows，本教程将以win10作为系统进行展开。
Lets GO！！！！！！

前言

Docker是什么？你看Docker的图标就知道了，一个鲸鱼承载了所有的仓库，所有的代码、程序、软件都在Dcoker。

我们抛开Dcoker，先介绍一下两个名字，你一定听过：容器，镜像

容器可以说是一个Linux轻量级的系统，它提供了一种隔离的环境，使得应用程序能够在其中运行，而不受主机系统的影响。

镜像是一个轻量级、独立、可执行的软件包，包含运行应用程序所需的所有内容。

镜像相当于设计稿，Docker根据它可以创建一模一样的产品（容器）。

镜像是容器的基础，我们可以根据已有的镜像A创建自己的容器Container_A，因为容器是个简易系统，我们可以肆意安装东西，再把我们的容器Container_A变成镜像B，别人可以通过我们镜像B创建新的容器Container_B，在这个容器中就复现一模一样的效果啦！

而Docker说白了就是利用容器技术，将应用程序及其依赖项打包到一个系统（容器）中，使得在任何环境中以相同的方式运行，仅此而已。

而有了Docker我们只需要，找到对应的母鸡（镜像），下个蛋（容器）就行。

配置深度学习环境？我才不配！我直接用别人的镜像生成一个容器就行了啊！
你又不是不知道cuda下的多慢，cudnn还要登录！

Docker和虚拟机

那么问题来了，我知道Docker了，那是不是和虚拟机很像啊？我只能说一个鸡蛋一个恐龙蛋。

虚拟机是将一台机器转换为多台机器的物理层的抽象。每个虚拟机都是包含操作系统、应用程序、必要的二进制文件和库的完整副本。

可以看下图右边就是虚拟机架构，每个虚拟机都有自己的系统，而Docker（左）架构，是应用层的抽象，多个容器与其他容器共享一个操作系统内核，这样占用的资源比虚拟机少很多。

光速配置

废话少说，Docker，启动！

安装docker

直接去Docker官网下载exe文件执行就行，Docker非常人性化，不需要你设置安装目录，直接给你装c盘，嘻嘻。

运行Docker，如果你第一次安装，会提示你 WSL 2 installation is incomplete.

这说明我们还需要安装Windows的子系统WSL

安装wsl

Windows Subsystem for Linux（WSL），是适用于Linux的Windows子系统，通过WSL我们可以在Windows里面运行Linux。
CMD命令行运行：

wsl --install

为了让window支持我们的Linux，控制面板检查一下WSL是否勾选了：

重启电脑！！！

安装Ubuntu（可略）

这下可以安装Linux咯，可以根据自己需要选择Ubuntu版本，打开微软商店下载即可

重启电脑后，可以在Docker设置里集成我们的Linux版本

配置Docker

电脑资源都是有限的，不可能都给Docker，因此需要给Docker分配一下资源上限。
在用户目录(比如：C:\Users\lc)下建立一个新文件，叫做.wslconfig，复制以下内容，给Docker设置它的最大运行内存，CPU核心数

[wsl2]
#wsl占用内存
memory=8GB
#交换分区内存(swap类似于Windows的虚拟内存，从硬盘中划分出一个分区，
#在物理内存不够时，就会将硬盘空间虚拟成内存使用，用于解决内存不足的情况。)
swap=8GB
#限制核心数
processors = 6

内存记得别写满，不然卡死，就好给本机留一点，我是16GB的内存，给了Docker一半的容量，也就是Docker再怎么吃内存，不会超过8GB

命令行运行：

wsl --shutdown

重启Docker生效

寻找镜像

Docker Hub给我们准备了很多好用的镜像，像Pytorch、TensorFlow都准备了自己的镜像，里面配置了cuda、cudnn和python，我们选一个需要的就行。

随便起一个终端CMD运行我们复制的命令，然后打开发现，wow，多了一个镜像！

创建容器

继续起一个终端CMD运行以下命令,最后面就是你刚才下载的镜像名

# 不使用GPU
docker run -it pytorch/pytorch:1.8.0-cuda11.1-cudnn8-runtime
# 使用GPU
docker run -it --gpus all pytorch/pytorch:1.8.0-cuda11.1-cudnn8-runtime

执行以上命令，就会根据镜像创建一个容器，并且进入容器的命令行，此时尽情安装你需要的东西吧。

首先检测一下Pytorch可不可以检查到GPU吧！哇真的可以耶！

可以在Docker看到可视化的容器

在容器里面可以看到文件目录、资源占用、打印等信息：

Vscode

配合Vscode的Docker插件，我们可以直接进入Docker容器里面编程：

发布镜像

随便起一个终端CMD运行命令：

# 1.容器转镜像
docker commit 【容器名】 【镜像名字：例:myproj】
# 2.镜像打包成压缩包tar文件
docker save -o myproj.tar myproj

引用

https://www.docker.com/resources/what-container/

总结

写了一堆，希望能帮助你告别深度学习环境配置的烦恼！

这里是GIS宇宙，我们下期再见！

商业合作请私信公众号

本人其他平台账号：

• 微信公众号：GIS宇宙
• CSDN：GIS_宇宙
• 知乎：GIS宇宙
• 掘金：GIS宇宙