Docker光速搞定深度学习环境配置！
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：
css
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
ini
[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：
arduino
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
bash
# 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：
ruby
# 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
www.docker.com/resources/w…
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！
最后
为了帮助大家更好的学习人工智能，这里给大家准备了一份人工智能入门/进阶学习资料，里面的内容都是适合学习的笔记和资料，不懂编程也能听懂、看懂，所有资料朋友们如果有需要全套人工智能入门+进阶学习资源包，可以在评论区或扫.码领取哦）~
在线教程
- 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
- 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
- EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
- 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
- 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
- 机器学习 – 有指导和无指导情况下的基本机器学习算法
- 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
- 斯坦福统计学习
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取
人工智能书籍
- OpenCV（中文版）.(布拉德斯基等)
- OpenCV+3计算机视觉++Python语言实现+第二版
- OpenCV3编程入门 毛星云编著
- 数字图像处理_第三版
- 人工智能:一种现代的方法
- 深度学习面试宝典
- 深度学习之PyTorch物体检测实战
- 吴恩达DeepLearning.ai中文版笔记
- 计算机视觉中的多视图几何
- PyTorch-官方推荐教程-英文版
- 《神经网络与深度学习》(邱锡鹏-20191121)
- …
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取
第一阶段：零基础入门（3-6个月）
新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。
第二阶段：基础进阶（3-6个月）
熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。
第三阶段：工作应用
这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取