TensorFlow Docker开发环境使用手册

综述

由于计算资源有限，目前服务器上的Tensorflow docker开发环境只能用于模型拟合与参数优化，编写代码请自己在本地搭建环境。

Tensorflow docker开发环境提供 Jupyter Notebook与Tensorboard两个主要功能。

Jupyter Notebook 与 IPython终端 共享同一个内核，用户与Tensorflow docker的绝大部分交互都通过它来完成。

TensorBoard是一个可视化工具，能够有效地展示Tensorflow在运行过程中的计算图、各种指标随着时间的变化趋势以及训练中使用到的数据信息。

启动docker

docker start [your docker name]

文件夹挂载

docker中:/notebooks目录已经挂载到服务器本地目录/root/tensorflow-data/[your docker name]

用户可以通过这两个目录进行文件交换

可以将调试好的代码上传服务器本地目录/root/tensorflow-data/[your docker name]，在docker中的/notebooks目录就可以找到。

docker中训练好的模型保存到/notebooks目录下，就可以到服务器的/root/tensorflow-data/[your docker name]目录中取到。

Jupyter Notebook

获取token

在服务启动输入如下命令获取Jupyter Notebook token

docker logs [your docker name]

登陆Jupyter Notebook

打开浏览器输入

http://[ip address]:[your Dorker Jupyter Notebook port]/

进入Jupyter Notebook登陆页面

输入token，并设置登陆密码

注意：为了方便下次登陆，请设置登陆密码

使用Terminal

进入Jupyter Notebook首页，选择右上角New>Terminal，打开Terminal

Tensorboard

使用Tensorboard需要在代码中添加

tf.summary.FileWriter(’/notebooks/graph/dataflow’,sess.graph)

样子代码如下

import tensorflow as tf 
a = tf.constant(5, name='input_a')
b = tf.constant(3, name='input_b')
c = tf.multiply(a, b, name='mul_c')
d = tf.add(a, b, name='add_d')
e = tf.add(c, d, name='add_e') 
with tf.Session() as sess:
    tf.summary.FileWriter('/notebooks/graph/dataflow',sess.graph)

打开Terminal,输入

tensorboard --logdir="/notebooks/graph/dataflow"

打开浏览器，输入

ttp://[ip address]:[your Dorker Tensorboard port]/

进入Tensorboard页面