本文共 8161 字，大约阅读时间需要 27 分钟。
本文主要参考自 ，选择了 Docker 容器作为开发环境，并且可以用 Jupyter 和 VS Code 开发。
觉得不错的话可以点个赞，收藏备忘也不错哦，另外也可以到我的博客 查看更多原创博文：）
目录
安装 TensorFlow 有很多种方法，最方便快捷的是使用 pip 安装，这在官网上有十分简单的说明，我就不在这里重复了，这篇文章主要是带你看看安装 TensorFlow 容器，和如何解决可能会碰到的一些问题，让我们开始吧！
因为我使用的是 Ubuntu 20.04，所以在配置过程中我都是用 Ubuntu 演示的，如果你用的也是 Ubuntu，那就太好了，如果不是请仅作参考。
0. 关于开源教程
这是我写的第一篇开源教程，开源的意思就是任何人都可以引用、编辑，网上的各种教程五花八门，但很多都不会随时间更新，这就会造成一些教程一开始是可行的，但是过了一段时间就会遇到一些错误，所以我建议大家在学习的时候多看官方教程，因为官方的教程一般都会及时更新并且是最佳实践。
这篇教程也不适合所有人，很多细节我并没有研究得很透彻，主要是给那些新手快速配置环境看的，但我也希望这篇文章足够可靠，如果你有任何问题和建议都可以在评论区提出，有能力的也可以到我的 提交 PR。
1. 安装 Docker
我们先来看看 是如何介绍 Docker 的：
翻译：
Docker是一个用于开发，发布和运行应用程序的开放平台。Docker使您能够将应用程序与基础架构分开，从而可以快速交付软件。借助Docker，您可以以与管理应用程序相同的方式来管理基础架构。通过利用Docker的方法进行快速的运输，测试和部署，您可以大大减少编写代码和在生产环境中运行代码之间的延迟。简单来说，Docker 可以让我们在多种环境中开发，并且易于切换，不用每次都大费周章地配置环境。因为我用的是 Ubuntu 20.04，所以我就选择 Linux 的 Docker 安装作为演示，你可以根据自己的情况在官网选择对应的安装方式。
1. 卸载旧版本（如果没有安装过 Docker，可以忽略此步骤）
sudo apt remove docker docker-engine docker.io containerd runc2. 安装 Docker
安装 Docker 也有好几种方法，这是它们的区别：，为了避免麻烦，本文只介绍如何使用仓库来安装。
-
更新
apt包的索引并安装一些可以让apt使用 HTTPS 连接仓库的包：sudo apt-get updatesudo apt-get install \apt-transport-https \ca-certificates \curl \gnupg-agent \software-properties-common -
添加 Docker 的官方 GPG 公钥：
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -测试是否添加成功：
sudo apt-key fingerprint 0EBFCD88如果出现类似以下信息，那就是成功了：
pub rsa4096 2017-02-22 [SCEA] 9DC8 5822 9FC7 DD38 854A E2D8 8D81 803C 0EBF CD88uid [ 未知 ] Docker Release (CE deb) <docker@docker.com>sub rsa4096 2017-02-22 [S] -
设置 stable（稳定版）仓库：
sudo add-apt-repository \"deb [arch=amd64] https://download.docker.com/linux/ubuntu \$(lsb_release -cs) \stable" -
安装最新版本的 Docker Engine：
sudo apt updatesudo apt install docker-ce docker-ce-cli containerd.io测试是否安装成功：
sudo docker run hello-world第一次运行需要下载，等待一段时间即可，以下是成功信息：
Hello from Docker!This message shows that your installation appears to be working correctly....
3. 让你的 Docker 更好用
由于 Docker 官方的镜像源受到魔法的影响，直接连接速度感人，所以我们使用 Docker 的第一步就是换源。这里有几个免费的加速器：
1、Docker官方的中国镜像加速器：https://registry.docker-cn.com 不用注册2、中科大的镜像加速器：https://docker.mirrors.ustc.edu.cn/ 不用注册3、阿里云的镜像加速器：登录阿里云的容器hub服务，镜像加速器那一栏里会为你独立分配一个加速器地址 要注册4、DaoCloud的镜像加速器：登录DaoCloud的加速器获取脚本，该脚本可以将加速器添加到守护进程的配置文件中 要注册这里使用 Docker 官方的中国镜像加速器作为示范，直接输入终端即可：
sudo mkdir -p /etc/dockersudo tee /etc/docker/daemon.json <<-'EOF'{
"registry-mirrors": ["https://registry.docker-cn.com"]}EOFsudo systemctl daemon-reloadsudo systemctl restart docker使用阿里云镜像加速器可以参考这篇文章：
因为 Docker 的使用可能会影响到系统安全，所以大部分的 docker 命令都要使用 sudo 才能运行，如果你不想每次都加一个 sudo 的话，可以使用以下命令解决：
- 添加
docker组：sudo groupadd docker - 添加当前用户到
docker组：sudo usermod -aG docker $USER
用户组的更改需要重新登录才能刷新，重新登录后可以使用 docker run hello-world 测试是否成功，建议不要在服务器上使用这个方法。
4. 下载 TensorFlow Docker 映像
| 标记 | 说明 |
|---|---|
| latest | TensorFlow CPU 二进制映像的最新版本。（默认版本） |
| nightly | TensorFlow 映像的每夜版（不稳定）。 |
| version | 指定 TensorFlow 二进制映像的版本，例如：2.1.0 |
| devel | TensorFlow master 开发环境的每夜版。包含 TensorFlow 源代码。 |
| custom-op | 用于开发 TF 自定义操作的特殊实验性映像。 |
::如需了解更多信息，请点击以下链接：https://github.com/tensorflow/custom-op :
每个基本标记都有会添加或更改功能的变体：
| 标记变体 | 说明 |
|---|---|
| tag-gpu | 支持 GPU 的指定标记版本。（详见下文） |
| tag-jupyter | 针对 Jupyter 的指定标记版本（包含 TensorFlow 教程笔记本） |
您可以一次使用多个变体。例如，以下命令会将 TensorFlow 版本映像下载到计算机上：
docker pull tensorflow/tensorflow # latest stable releasedocker pull tensorflow/tensorflow:devel-gpu # nightly dev release w/ GPU supportdocker pull tensorflow/tensorflow:latest-gpu-jupyter # latest release w/ GPU support and Jupyter以上内容摘自 [TensorFlow 官网安装教程]，我使用的是 docker pull tensorflow/tensorflow:latest-gpu-jupyter，注意一定要换源后再安装，不然你就可以先睡一觉明天再起来看了。
安装成功后你就可以在 Docker 容器中开发了，例如在仅支持 CPU 的映像中启动 bash 会话：
docker run -it tensorflow/tensorflow bash不过这样还不够方便，我们可以使用 Jupyter 笔记本来开发：
docker run -it -p 8888:8888 tensorflow/tensorflow:latest-jupyter然后按照终端输出的提示在主机网络浏览器中打开以下网址：http://127.0.0.1:8888/?token=...
5. 使用 GPU 支持
Docker 是在 GPU 上运行 TensorFlow 的最简单的方法，因为主机只需安装 NVIDIA® 驱动程序，而不必安装 NVIDIA® CUDA® 工具包。
-
使用最新的驱动程序
如果你使用的也是 Ubuntu 20.04，那么恭喜你，切换到最新的驱动十分容易，只需要打开自带的软件“软件和更新”，然后选择最新的驱动即可，如图所示：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Evu8zS8P-1610349437491)({
{ ‘/assets/images/nvidia-drive.png’ | absolute_url }})]
如果你使用的不是 20 版本的 Ubuntu，或者使用的是其他发行版，那么可以参考 -
检查 GPU 是否可用：
lspci | grep -i nvidia -
安装 NVIDIA 容器工具包：
请通过 docker -v 检查 Docker 版本。对于 19.03 之前的版本，您需要使用 nvidia-docker2 和 --runtime=nvidia 标记；对于 19.03 及之后的版本，您将需要使用 nvidia-container-toolkit 软件包和 --gpus all 标记。
现在 Docker 的最新版是 20.10.2，所以我将基于最新版演示，如果你是按照我的教程操作的那一定没问题
- 配置
stable仓库和 GPG 公钥：distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list - 安装
nvidia-container-toolkit：sudo apt updatesudo apt install -y nvidia-container-toolkit - 重启 Docker：
sudo systemctl restart docker - 测试是否安装成功：
示例输出：sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smiMon Jan 11 05:33:48 2021 +-----------------------------------------------------------------------------+| NVIDIA-SMI 460.32.03 Driver Version: 460.32.03 CUDA Version: 11.2 ||-------------------------------+----------------------+----------------------+| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. || | | MIG M. ||===============================+======================+======================|| 0 GeForce GTX 950M Off | 00000000:01:00.0 Off | N/A || N/A 50C P0 N/A / N/A | 397MiB / 4046MiB | 0% Default || | | N/A |+-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+| Processes: || GPU GI CI PID Type Process name GPU Memory || ID ID Usage ||=============================================================================|+-----------------------------------------------------------------------------+
其他系统请参考
- 配置
-
验证安装效果：
docker run --gpus all --rm nvidia/cuda nvidia-smi -
使用支持 GPU 的映像在容器中启动
bash：docker run --gpus all -it tensorflow/tensorflow:latest-gpu bash
6. 使用 VS Code 编辑 Jupyter 笔记本
我们可以使用仅支持 CPU 的 Jupyter 服务器：
docker run -it -p 8888:8888 tensorflow/tensorflow:latest-jupyter也可以使用支持 GPU 的 Jupyter 服务器：
docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu-jupyter我比较喜欢使用支持 GPU 的，如果不想每次输入这么长的命令可以使用 alias：
vim ~/.bashrc# 将以下内容加入 .bashrcalias webj='docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu-jupyter'# 更新 aliassource ~/.bashrc然后就可以使用 webj 来达到相同的作用了：
webj# 示例输出[I 05:46:26.894 NotebookApp] Writing notebook server cookie secret to /root/.local/share/jupyter/runtime/notebook_cookie_secretjupyter_http_over_ws extension initialized. Listening on /http_over_websocket[I 05:46:27.805 NotebookApp] Serving notebooks from local directory: /tf[I 05:46:27.806 NotebookApp] Jupyter Notebook 6.1.5 is running at:[I 05:46:27.806 NotebookApp] http://7ce58fd012c4:8888/?token=dc6015d8174f76ba8842f65df0c731dd3c802dc7ec7818e1[I 05:46:27.806 NotebookApp] or http://127.0.0.1:8888/?token=dc6015d8174f76ba8842f65df0c731dd3c802dc7ec7818e1[I 05:46:27.806 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).[C 05:46:27.817 NotebookApp] To access the notebook, open this file in a browser: file:///root/.local/share/jupyter/runtime/nbserver-1-open.html Or copy and paste one of these URLs: http://7ce58fd012c4:8888/?token=dc6015d8174f76ba8842f65df0c731dd3c802dc7ec7818e1 or http://127.0.0.1:8888/?token=dc6015d8174f76ba8842f65df0c731dd3c802dc7ec7818e1在终端按住 Ctrl 单击最后一个链接就可以打开 Jupyter 笔记本的网站了。
另外我们也可以让 VS Code 使用这个支持 GPU 的服务器，首先我们要在 VS Code 中新建一个 Jupyter 笔记本，然后打开，在右上角的 Jupyter Server 中选择 Existing 然后填入上述链接即可：
