kevinchina/deeplearning

深度学习环境Docker镜像文档

1. 镜像概述

本Docker镜像旨在提供一个开箱即用的深度学习开发与运行环境，解决传统深度学习环境配置复杂、依赖冲突、跨平台一致性差等问题。通过预集成主流深度学习框架、GPU加速支持及常用开发工具，帮助用户快速搭建标准化的深度学习工作环境，降低环境配置门槛，专注于模型开发与训练任务。

2. 核心功能与特性

2.1 框架集成

• 预安装主流深度学习框架：TensorFlow（含Keras）、PyTorch、MXNet等，支持CPU/GPU双模式运行
• 支持多框架版本切换，可通过环境变量指定目标框架版本（如TensorFlow 2.10、PyTorch 1.13等）

2.2 硬件加速

• 原生支持NVIDIA GPU加速（基于CUDA和cuDNN），自动适配宿主机GPU驱动版本
• 优化GPU内存分配策略，提升大型模型训练效率

2.3 开发工具

• 集成Jupyter Notebook/JupyterLab，支持浏览器端交互式开发
• 包含VS Code Server（可选），提供代码编辑、调试功能
• 预装Git、SSH等工具，支持版本控制与远程访问

2.4 依赖管理

• 预安装科学计算库：NumPy、Pandas、Matplotlib、Scikit-learn等
• 包含模型优化工具：TensorRT、ONNX Runtime等
• 支持通过pip/conda灵活扩展自定义依赖

3. 使用场景

• 开发环境搭建：快速构建本地或云端深度学习开发环境，避免依赖冲突
• 模型训练：在单机或集群环境中运行GPU加速的模型训练任务
• 教学与演示：标准化教学环境，确保学生/学员使用一致的框架版本与依赖
• 快速原型验证：通过Jupyter Notebook快速测试模型代码与算法逻辑
• CI/CD集成：作为机器学习流水线的基础环境，实现模型训练、评估的自动化流程

4. 使用方法

4.1 基础运行命令

4.1.1 GPU环境（推荐）

需宿主机已安装NVIDIA Docker运行时（nvidia-docker2）：

bash
docker run -it --gpus all \
  -p 8888:8888 \  # Jupyter Notebook端口映射
  -v /本地数据目录:/workspace/data \  # 挂载数据目录（持久化）
  -v /本地代码目录:/workspace/code \  # 挂载代码目录
  --name dl-environment \
  镜像名称:标签

4.1.2 CPU环境（仅用于测试）

bash
docker run -it \
  -p 8888:8888 \
  -v /本地数据目录:/workspace/data \
  -v /本地代码目录:/workspace/code \
  --name dl-environment-cpu \
  镜像名称:标签-cpu

4.2 环境变量配置

通过-e参数指定环境变量，自定义运行行为：

示例：指定使用TensorFlow框架并设置Jupyter密码

bash
docker run -it --gpus all \
  -e FRAMEWORK=tensorflow \
  -e JUPYTER_PASSWORD=deeplearning123 \
  -p 8888:8888 \
  镜像名称:标签

4.3 目录挂载说明

为确保数据、代码与模型持久化，建议挂载以下目录：

4.4 Docker Compose配置示例

创建docker-compose.yml文件，简化多服务管理：

yaml
version: '3.8'
services:
  dl-environment:
    image: 镜像名称:标签
    runtime: nvidia  # 需nvidia-docker支持
    ports:
      - "8888:8888"  # Jupyter端口
      - "8080:8080"  # 若启用VS Code Server，映射此端口
    environment:
      - FRAMEWORK=pytorch
      - JUPYTER_PASSWORD=mysecret
      - ENABLE_VSCODE=true
    volumes:
      - ./data:/workspace/data
      - ./code:/workspace/code
      - ./models:/workspace/models
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all  # 使用所有GPU
              capabilities: [gpu]

启动命令：docker-compose up -d

5. 注意事项

• 运行GPU模式时，需确保宿主机已安装匹配的NVIDIA驱动（版本≥450.80.02）及nvidia-docker2
• 首次启动Jupyter Notebook后，可通过docker logs dl-environment查看访问链接及token
• 如需扩展依赖，可进入容器后通过pip install <package>或conda install <package>安装，并通过docker commit保存为自定义镜像
• 生产环境建议配合容器编排工具（如Kubernetes）使用，实现资源调度与高可用性