docker部署tf开发环境

共计 954 个字符，预计需要花费 3 分钟才能阅读完成。

晚上试着使用docker部署以下tf开发的环境，感受到了容器的便利，以前自己编译还时不时出现异常的问题，又要从源码重新编译，每编译一次都要花费不少时间，如果一开始你的网络不佳，拉取tf代码都够喝一壶了。

弊端

1. python 需要设置虚拟环境，防止环境相互交叉
2. tf 安装
3. 上述操作都是本地环境支持

你要是说conda一把梭也不是没有道理，笔者也是觉得conda很好用，但是现在遇到docker，发现更好用。

现在有docker这个开源的工具（对企业好像开始提供付费的服务了），在利用Google提供的景象可以很方便的构建代码环境，这当然还有巨硬的vscode编辑器，remote 插件实在是非常好用。

工具

vscode — 可以从微软的官网下载

docker —

1. 官网下载

2. Macos 可以使用brew 安装，代码如下

   brew install --cask docker
   

编辑 Docker 环境配置文件

1. Dockerfile
2. Docker-compose.yml

需要上面两个文件搭配使用，至于这两个文件的含义可以看下Docker相关的基础知识。

我安装的 tf 是1.14版本，具体的docker镜像可以从这里去找。

FROM tensorflow/tensorflow:1.14.0-py3-jupyter

目前的文件就是长这样，直接拉取1.14的镜像没有做其他任何的操作，这个镜像里是没有pandas的，所以你也可以在代码后面加上 pandas 安装的代码，这样生成的容器里面会携带 pandas之类的库，按需添加，是不是非常的方便。

下面的代码是compose文件的内容，volume按需配置哈，根据你自己定义的代码文件夹，我使用src放代码文件，data文件夹放训练数据，ports是用来使用jupyter服务的。

version: '3.1'

services:
  tf:
    build:
      context: .
      dockerfile: Dockerfile
    ports:
      - 8888:8888
    volumes:
      - ./src:/src
      - ./data:/data

接下来在vscode中操作，在步骤2中其实并不是我图中的，因为我已经连上了，一开始没连接上，你需要配置 remote-Containers: Reopen in container

至此就配置完毕了，后面如果需要修改环境，只要搭积木就好了。