机器学习已是大数据分析的必备手段，我们尝试在Linux（Ubuntu 18.04）下搭建一个基于Docker的Tensorflow+Cuda环境，以用于学习、试验等。
关于Docker的安装和使用请参考我以前的博客内容。我们这里使用的是Tensorflow 1.12，使用前还需查看其对GPU的相关要求。
Nvidia驱动安装配置
可以lspci | grep -i nvidia查看自己机子的N卡，也可以ubuntu-drivers devices查看系统给出的配置及驱动推荐，这时，我们可以直接ubuntu-drivers autoinstall进行安装，完成并重启后，可通过nvidia-smi验证安装是否成功并查看N卡的状态。
关于Cuda的Docker
可以参考官方github文档以及相应的FAQ等。
# apt自己升个级
$ sudo apt-get update
# 添加nvidia-docker的官方GPG key及distribution list
$ curl -sL https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
$ curl -sL https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
# 接下来apt再自己升个级
$ sudo apt-get update
# 安装nvidia-docker
$ sudo apt-get install nvidia-docker2
测试一下吧。
# cuda镜像可参见https://hub.docker.com/r/nvidia/cuda
$ docker pull nvidia/cuda:9.0-cudnn7-devel
# 测试
$ docker run --runtime=nvidia --rm nvidia/cuda:9.0-cudnn7-devel nvidia-smi
关于Tensorflow的Docker
可以参考官方文档以及相应的FAQ等。
# tensorflow镜像可参见https://hub.docker.com/r/tensorflow/tensorflow/
# 也可以去https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/dockerfiles/自行build
$ docker pull tensorflow/tensorflow:1.12.0-devel-gpu-py3
# 测试
$ docker run --runtime=nvidia -it --rm tensorflow/tensorflow:1.12.0-devel-gpu-py3 python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))"
# 喜欢jupyter的可以
$ docker run --runtime=nvidia -d -v yourdir:/notebooks -p 8888:8888 tensorflow/tensorflow:1.12.0-devel-gpu-py3 jupyter notebook --notebook-dir=/notebooks --ip 0.0.0.0 --no-browser --allow-root
以上便设置好了一个基本的机器学习环境，后续我们也可以根据自己的需求DIY相应的Docker，再接再励吧。
