用dockerfile制作tensorflow的镜像(附删除tag为「none」的镜像)

简介: 用dockerfile制作tensorflow的镜像(附删除tag为「none」的镜像)

用dockerfile制作tensorflow的镜像(附删除tag为的镜像)

刚接触集群和docker,不是太熟悉。自己尝试着用dockerfile创建了一个镜像,(还有一种方法是commit)在开始之前,也看了大量博客文章,用这种方法创建镜像可以根据自己的需要定制,不必装一些用不到的包和工具。它通过命令 built dockerfile 创建一个文本文件来执行你在里面写入的命令行。本文不详细介绍dockerfile的一些指令参数,因为可以根据你需要选择写入,用的时候再查就可以。这里直接通过实现一个其他博友写好的例子,自己做了进一步的阐述说明。

Dockerfile 创建镜像

一、创建一个存放Dockerfile文件的目录

创建目录

1.mkdir /一级目录名

2.mkdir /一级目录名/二级目录名

20200623104829521.png

进入目录创建文件

3.cd /一级目录名/二级目录名

4.vim Dockerfile(或用vi)

5.i 键进入编辑模式

20210104203500268.jpg

二、编写Dockerfile 文件

编写的内容:

FROM ubuntu:16.04 #基础镜像用ubuntu
#这里省略了维护者信息
#然后是RUN 命令
RUN  apt-get update #更新数据库
RUN  apt-get -u upgrade - #更新软件包 
# Install python3
RUN apt-get install -y python3 # -y代表不需要重复的确认安装
# Install  pip
RUN apt-get install -y wget vim  #安装 wget和vim编辑器
RUN wget -O/tmp/get-pip.py https://bootstrap.pypa.io/get-pip.py #下载到指定目录、指定文件名,从网上自动下载pip
RUN python3 /tmp/get-pip.py
RUN pip install --upgrade pip
RUN pip install -U tensorflow
#这里省略了CMD,也不知道为什么对镜像的构建没有影响

编辑完成后,按Esc 退出编辑 ,然后按

:wq!

强制退出保存

三、安装镜像

docker build -t 镜像名称 /一级目录名/二级目录名

1ecd1b2606ed46e9956a89f231c9802c.png

按照参考的博客,我到第9步这里会报错:

ERROR: Could not find a version that satisfies the requirement tensorflow (from versions: none

从网上搜了一下,是因为tensorflow没有指定版本。然后把dockerfile中最后一行改成下面这样就可以了。

pip install tensorflow==2.0

为了下载的快一点还可以加上国内镜像的链接,加在上面这句命令后面。

pip install tensorflow==2.0 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

然后就不会报错了,看到Successfully

20210104203500268.jpg

四、通过镜像生成容器并运行

docker run -it 镜像名:标签(默认latest) /bin/bash

五、在容器的终端中,创建一个/test.py的文件

vi /test.py

test.py的内容如下:

import tensorflow as tf
print(tf.__version__)

运行/test.py

python3 /test.py

控制台输出:2.0.0

20210104203500268.jpg

此时证明镜像创建成功,我们可以通过 docker images 查看,镜像列表中会显示出我们新创建的镜像。

20210104203500268.jpg

在docker中删除tag为的镜像

查看镜像列表时总会有tag为的镜像,这是由于容器和镜像的关系没有删除干净。然后可以通过以下方法来删除。

1.查看所有镜像

docker images

1ecd1b2606ed46e9956a89f231c9802c.png

2.查看所有容器

Docker ps -a

1ecd1b2606ed46e9956a89f231c9802c.png

3.根据IMAGE ID 找到对应CONTAINER ID

执行 docker rm 7ac

再执行 docker rmi 99ecafed5428 就删除成功了

1ecd1b2606ed46e9956a89f231c9802c.png

本人小白一枚,如文章中有错误,希望博友可以帮忙指正,互相讨论互相学习!

相关文章
|
机器学习/深度学习 算法 搜索推荐
TensorFlow(1):使用Docker镜像搭建TensorFlow环境
TensorFlow(1):使用Docker镜像搭建TensorFlow环境
699 0
|
机器学习/深度学习 TensorFlow 算法框架/工具
构建Tensorflow RDMA的Docker镜像
RDMA是一个远程通讯技术,它通过Kernel bypass等方式降低数据传输中的延迟和CPU消耗。 在分布式训练中,由于多个Worker之间或者Worker和Paramater Server 之间需要大量传输模型变量。当GPU到达一定数量后,受制于网络带宽以及TCP协议的延迟,通讯往往会成为计算性能的瓶颈,而在分布式训练中使用RDMA技术能够非常明显地提高训练速度。 #### Tenso
4087 0
|
10天前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
40 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
10天前
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
35 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
|
10天前
|
机器学习/深度学习 人工智能 算法
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
蔬菜识别系统,本系统使用Python作为主要编程语言,通过收集了8种常见的蔬菜图像数据集('土豆', '大白菜', '大葱', '莲藕', '菠菜', '西红柿', '韭菜', '黄瓜'),然后基于TensorFlow搭建卷积神经网络算法模型,通过多轮迭代训练最后得到一个识别精度较高的模型文件。在使用Django开发web网页端操作界面,实现用户上传一张蔬菜图片识别其名称。
48 0
基于深度学习的【蔬菜识别】系统实现~Python+人工智能+TensorFlow+算法模型
|
26天前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
72 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
2月前
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言,通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型,然后进行模型的迭代训练,得到一个识别精度较高的模型,然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面,实现用户上传一张鸟类图像,识别其名称。
110 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
|
3月前
|
机器学习/深度学习 算法 TensorFlow
深入探索强化学习与深度学习的融合:使用TensorFlow框架实现深度Q网络算法及高效调试技巧
【8月更文挑战第31天】强化学习是机器学习的重要分支,尤其在深度学习的推动下,能够解决更为复杂的问题。深度Q网络(DQN)结合了深度学习与强化学习的优势,通过神经网络逼近动作价值函数,在多种任务中表现出色。本文探讨了使用TensorFlow实现DQN算法的方法及其调试技巧。DQN通过神经网络学习不同状态下采取动作的预期回报Q(s,a),处理高维状态空间。
56 1
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
解锁Python数据分析新技能,TensorFlow&PyTorch双引擎驱动深度学习实战盛宴
在数据驱动时代,Python凭借简洁的语法和强大的库支持,成为数据分析与机器学习的首选语言。Pandas和NumPy是Python数据分析的基础,前者提供高效的数据处理工具,后者则支持科学计算。TensorFlow与PyTorch作为深度学习领域的两大框架,助力数据科学家构建复杂神经网络,挖掘数据深层价值。通过Python打下的坚实基础,结合TensorFlow和PyTorch的强大功能,我们能在数据科学领域探索无限可能,解决复杂问题并推动科研进步。
63 0
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
67 0
下一篇
无影云桌面