awsdeepracercommunity/deepracer-analysis

镜像概述和主要用途

该仓库旨在为Deepracer用户提供便捷的日志分析解决方案，通过Docker容器化的Jupyter环境，简化Deepracer训练日志、评估数据的分析流程。用户无需手动配置依赖库，可直接基于预构建的工作簿开展日志解析、数据可视化及模型性能评估等工作。

核心功能和特性

• 预配置环境：集成Jupyter Notebook及Deepracer日志分析所需的Python库（如Pandas、Matplotlib），开箱即可使用
• 日志解析支持：针对Deepracer日志格式优化，支持训练过程日志、评估报告、传感器数据等文件的解析
• 可视化模板：提供预设的Notebook模板，支持训练曲线、参数对比、奖励函数分布等关键指标的可视化展示
• 容器化部署：基于Docker封装，可在Linux、Windows、macOS等支持Docker的系统中无缝运行，支持本地日志目录挂载

使用场景和适用范围

• 模型优化：Deepracer开发者通过分析训练日志，调整超参数（如学习率、折扣因子）以提升模型性能
• 问题定位：用于排查训练过程中的异常情况，如奖励函数设计缺陷、轨迹规划错误等问题
• 学习研究：AI爱好者可基于该环境学习强化学习算法在自动驾驶场景中的实际应用与数据解读方法

使用方法和配置说明

前提条件

• 已安装Docker Engine（推荐版本20.10+）
• 本地存储有Deepracer生成的日志文件（通常来自Deepracer设备或AWS RoboMaker训练平台）

快速启动流程

1. 拉取镜像（如未构建）

bash
docker pull aws-deepracer-community/deepracer-analysis

2. 启动容器并挂载日志目录

将本地日志目录（如/home/user/deepracer-logs）挂载至容器，映射Jupyter端口（默认8888）：

bash
docker run -d \
  -p 8888:8888 \
  -v /home/user/deepracer-logs:/app/logs \
  --name deepracer-analysis \
  aws-deepracer-community/deepracer-analysis

3. 访问Jupyter Notebook

1. 查看容器启动日志获取访问Token：

   bash
   docker logs deepracer-analysis
   

2. 在输出日志中找到类似以下链接，复制到浏览器打开：

   http://127.0.0.1:8888/?token=xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
   

4. 执行日志分析

在Jupyter界面中，导航至/app/notebooks目录，打开预设模板（如deepracer_analysis_template.ipynb），按模板指引选择/app/logs目录下的日志文件，运行代码块即可生成分析报告。

高级配置

自定义Jupyter访问端口

如需修改主机映射端口（如使用8899端口）：

bash
docker run -p 8899:8888 -v /path/to/logs:/app/logs aws-deepracer-community/deepracer-analysis

设置自定义访问Token

通过环境变量JUPYTER_TOKEN指定访问密码：

bash
docker run -e JUPYTER_TOKEN=my_custom_token -p 8888:8888 -v /path/to/logs:/app/logs aws-deepracer-analysis

注意事项

• 日志目录挂载路径需使用绝对路径，确保Docker有权限访问本地日志文件
• 首次启动时容器会自动初始化Notebook环境，耗时约1-2分钟，具体取决于硬件配置
• 如需持久化分析结果，建议将Notebook工作目录（/app/notebooks）一并挂载至本地：

  bash
  docker run -v /path/to/local/notebooks:/app/notebooks -v /path/to/logs:/app/logs ...