sudo apt-get remove docker docker-engine docker.io #卸载旧版本
# 添加传输软件包与CA证书
sudo apt-get update
sudo apt-get install apt-transport-https ca-certificates curl \
gnupg-agent software-properties-common
# 添加docker国内源，加速下载
curl -fsSL https://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | sudo apt-key add -
如果出现 curl: (77) error setting certificate verify locations
export CURL_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
# sources.list中添加docker软件源
sudo add-apt-repository \
"deb [arch=amd64] https://mirrors.aliyun.com/docker-ce/linux/ubuntu \
$(lsb_release -cs) stable"
# 安装docker
sudo apt-get update
sudo apt-get install docker.io
# 启动docker
sudo systemctl enable docker
sudo systemctl start docker
同样地，这一步也需要服务器的管理员进行操作。创建docker用户组的用途是为了避免服务器的普通用户使用docker过程中使用sudo权限，也避免root用户使用docker服务时频繁输入密码。
# 建立用户组
sudo groupadd docker
# 添加当前用户到用户组
sudo usermod -aG docker $USER
# 更新docker用户组
newgrp docker
# 退出远程终端，并测试docker
docker run hello-world # 自动下载并拉取hello-word镜像
当前，阿里云提供了以下基础镜像源，我们选择Pytorch-1.4-cuda10.1版本的镜像进行拉取即可。
# Python：
registry.cn-shanghai.aliyuncs.com/tcc-public/python:3
# Pytorch：
registry.cn-shanghai.aliyuncs.com/tcc-public/pytorch:latest-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/pytorch:latest-cuda9.0-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/pytorch:1.1.0-cuda10.0-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/pytorch:1.4-cuda10.1-py3
# TensorFlow：
registry.cn-shanghai.aliyuncs.com/tcc-public/tensorflow:latest-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/tensorflow:1.1.0-cuda8.0-py2
registry.cn-shanghai.aliyuncs.com/tcc-public/tensorflow:1.12.0-cuda9.0-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/tensorflow:latest-cuda10.0-py3
# Keras：
registry.cn-shanghai.aliyuncs.com/tcc-public/keras:latest-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/keras:latest-cuda9.0-py3
registry.cn-shanghai.aliyuncs.com/tcc-public/keras:latest-cuda10.0-py3
# 拉取tensorflow镜像
docker pull registry.cn-shanghai.aliyuncs.com/tcc-public/tensorflow:latest-cuda10.0-py3
查看当前环境的镜像列表
docker images
# 由于下载好的Tensorflow镜像名字过长，我们可以将其重命名
# docker image tag [IMAGE ID] [重命名：重命名TAG]
docker image tag 76c152fbfd03 tf-cuda10.0-py3
# 启动Tensorflow容器(不使用GPU)
# docker run -itd –name [启动的容器名字] [镜像名：镜像TAG] /bin/bash
docker run -itd --name tensor_ct tf-cuda10.0-py3 /bin/bash
docker使用GPU时，需要额外执行下面的命令
distribution=$(. /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
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker
运行GPU的容器
# 所有GPU
docker run --gpus all -itd --name tensor_ct tf-cuda10.0-py3 /bin/bash
# 指定GPU 1，运行容器
docker run --gpus device=0 -itd --name tensor_ct tf-cuda10.0-py3 /bin/bash
# 查看容器,可以看到刚刚创建的torch_ct容器
docker ps # 查看正在运行的容器
docker ps -a # 查看所有容器，包含停止的容器
指定挂载宿主机的目录
#通过-v参数，冒号前为宿主机目录，必须为绝对路径，冒号后为镜像内挂载的路径，必须为镜像内有的地址
docker run -itd -v /home/dock/Downloads:/usr/Downloads --name tensor_ct tf-cuda10.0-py3 /bin/bash
# 进入刚刚创建的tensor_ct容器
docker exec -it tensor_ct /bin/bash
# 在容器中创建data目录
mkdir data
ls
# 退出当前容器
exit
容器一般都与外界隔离。为此，容器与宿主机之间进行数据交互则需要使用docker技术。值得注意的是，容器与宿主机之间的数据交互都是要在宿主机上进行，为此，我们需要事先退出当前所在的容器。
# 复制本地文件到容器中
# docker cp 本地文件 容器:容器目录
docker cp local_data tensor_ct:/root
# 复制docker文件到本地
# docker cp 容器:容器文件路径 宿主机目录
docker cp trnsor_ct:/root/container_data /home/rqe/docker_test
打包容器
# docker commit [CONTANINER ID] [IMAGE NAME:TAG]
# docker commit的其他参数
# -a :镜像作者名字；
# -c :使用dockerfile指令来创建镜像；
# -m :提交说明文字；
# -p :暂停容器服务。
docker commit 20a4b7fa03e7 tf-cuda10.0-py3:latest
打包镜像
docker save -o tf-cuda10.0-py3.tar tf-cuda10.0-py3 # 当前路径下会生成一个tf-cuda10.0-py3.tar
生成镜像
docker load < tf-cuda10.0-py3.tar # 生成的镜像跟之前打包的镜像名称一样
# 启动/停止容器服务
docker start/stop torch_ct
# 删除容器
docker rm [CONTAINER ID]
# 删除镜像
# docker rmi [REPOSITORY:TAG]
docker rmi registry.cn-shanghai.aliyuncs.com/tcc-public/pytorch:1.4-cuda10.1-py3 # 删除下载好的阿里云镜像