简要介绍：
Docker 包括三个基本概念：
镜像（Image）：Docker 镜像（Image），就相当于是一个 root 文件系统。比如官方镜像 ubuntu:16.04 就包含了完整的一套 Ubuntu16.04 最小系统的 root 文件系统。
容器（Container）：镜像（Image）和容器（Container）的关系，就像是面向对象程序设计中的类和实例一样，镜像是静态的定义，容器是镜像运行时的实体。容器可以被创建、启动、停止、删除、暂停等。
仓库（Repository）：仓库可看成一个代码控制中心，用来保存镜像。
具体请自行查看其他资料，下面开始进入正题。
1. Pytorch环境的配置
由于我使用的是学校的服务器，之前一直用的conda环境来使用服务器的gpu，使用一般登入服务器会直接登录一个用户，但是这里每个用户只是用文件夹区分，本身不是一个linux的子系统，使用如果需要使用docker，这时候一定要进入root，也就是切换到root用户才可以使用docker（这样就不需要sudo的指令了）
以下的记录将从零开始配置一个torch的环境：
- 切换到root用户
su root
- 安装docker
yum install docker
- 启动docker服务
service docker start
- 查看docker版本
docker version
- 为了加速下载，配置下载源
vi /etc/docker/daemon.json
- 在/etc/docker/daemon.json文件中添加以下内容
{
“registry-mirrors”: [“https://registry.docker-cn.com”],
“live-restore”: true
}
- 下载镜像
docker pull library/hello-docker
- 查看当前镜像
docker images
- 运行image文件
docker run hello-world
- 查看当前的容器
docker ps -a
- 现在直接删除镜像是不行的，需要删除容器，再删除镜像
docker rm 2f9001bc1e8c # 其中2f9001bc1e8c是容器名
docker rmi feb5d9fea6a5 # 其中feb5d9fea6a5是镜像名
- 现在下载一个pytorch的镜像（在docker.hub中寻找）
docker pull pytorch/pytorch:1.9.1-cuda11.1-cudnn8-devel
显示以上画面表示下载成功
- 在镜像中创建一个容器
docker run -it pytorch/pytorch:1.9.1-cuda11.1-cudnn8-devel /bin/bash
可以看见，现在进入了容器的一个workspace目录里面了；@后面的0d10ba3b0aaf就是启动的容器id
- 重命名容器
docker rename old_name new_name
这里我改为testtorch
- 拷贝文件到容器中
docker cp MLP 95909784d85b:/workspace/
- 进入容器中
docker exec -u 0 -it testtorch /bin/bash
查看路径文件，确实可以看见之前拷贝过来的MLP文件,pip install必要的包之后，就可以在容器里面跑代码了.
- vim出现问题：bash：vim：command not found
但是，一般想通过vim编辑器来查看里面的代码，但是这时出现了也问题
ERROR: Could not find a version that satisfies the requirement vim
ERROR: No matching distribution found for vim site:blog.csdn.net
或者是
E: Unable to locate package vim
以上的问题，可以通过下面的方法来解决
pkg update # 更新源 # apt update # 更新源的另一种方式 apt install vim # 安装
之后就可以正常代开编辑了：
但是我发现此时是没有使用gpu的，torch.cuda.is_available()显示为False
如何退出当前容器？在宿主机敲以下命令即可
docker stop testtorch
此时容器端就会主动退出，如下所示：
可以看见，我尝试过在容器内输入docker exit是没有用的，在宿主机中输入docker stop testtorch后，容器就会退出到宿主机界面中，可以看见：root@95909784d85b:/workspace/MLP# -> [root@localhost LLC]# 的改变。
- 这里重现创建一个gpu环境，命名为torch_gpu的容器
docker run -it --name torch_gpu --gpus all pytorch/pytorch:1.9.1-cuda11.1-cudnn8-devel /bin/bash
同时在宿主机中再拷贝项目到容器内
# 以下两个命令均可 docker cp MLP 365febc3316d:/workspace docker cp MLP torch_gpu:/workspace
现在可以看见，没有workspace里面没有文件，现在有了MLP这个项目
在这个容器内，可以跑gpu了
pip安装需要的包之后，就可以跑代码了，如下所示：
所以最后，这里创建了两个pytorch的深度学习环境，如下所示：
2. Docker命令行总结
常用的命令行总结如下：
# 安装docker yum install docker # 开启docker服务： service docker start # 列出所有docker镜像的命令： docker images # 删除指定docker镜像的命令： docker rmi anibali/pytorch # 下载一个新的镜像的命令： docker pull anibali/pytorch:1.7.0-cuda11.0 # 运行新镜像，创建一个cpu运行的容器 # -i: 交互式操作。 # -t: 终端。 # /bin/bash：放在镜像名后的是命令，这里我们希望有个交互式 Shell，因此用的是 /bin/bash docker run -it --name torch_cpu anibali/pytorch:1.7.0-cuda11.0 /bin/bash # 运行新镜像，创建一个gpu运行的容器 docker run -it --name torch_gpu --gpus all anibali/pytorch:1.7.0-cuda11.0 /bin/bash # 查看所有的容器命令如下： docker ps -a # 查看当前正在运行的容器命令如下： docker ps -l # 启动已被停止的容器 docker start CONTAINER_ID/CONTAINER_NAME # 停止运行中的容器 docker stop CONTAINER_ID/CONTAINER_NAME # 重启容器 docker restart CONTAINER_ID/CONTAINER_NAME # 删除容器(-f是指强制执行) docker rm -f CONTAINER_ID/CONTAINER_NAME docker rm CONTAINER_ID/CONTAINER_NAME # 进入容器 docker exec -it CONTAINER_ID/CONTAINER_NAME /bin/bash # 重命名容器 # docker rename <Old_Name> <New_Name> docker rename testtorch torch_gpu # 拷贝本地文件到容器 # docker cp 本地路径 容器ID:容器路径 # docker cp <Local_File> <CONTAINER_ID/CONTAINER_NAME>:/workspace/ docker cp MLP 95909784d85b:/workspace/ # 查看容器端口的映射情况 docker port CONTAINER_ID/CONTAINER_NAME # 指定宿主机与容器端口的映射(通过参数-p指定端口映射) docker run -it -d --name CONTAINER_NAME -p 8088:80 IMAGE_NAME # 保存容器为镜像 docker commit -a <Auther_Name> <CONTAINER_ID/CONTAINER_NAME> <Version_Number>
参考资料：
pytorch: 使用docker
Nvidia-Docker配置python3与pytorch环境
Docker 简单的命令行总结
