基于Ubuntu安装docker并搭建深度学习环境(一)

本文介绍了在Ubuntu系统中安装docker的过程,并针对使用Virtual Box作为虚拟机的场景进行指导。通过解决Ubuntu安装docker速度慢的问题,为后续搭建深度学习环境奠定基础。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

现在加入了新的环境,是个大集体。公司用的是Ubuntu+docker配置各自的环境,这里总结一下如何自己搭建一个简单的环境。

  1. 首先安装一个虚拟机环境,虽然docker支持windows,但是还是Linux比较合适,毕竟服务器才是主流~
    一般VM比较火,这里介绍一个Oracle的Virtual Box,具体安装可以参考知乎上的操作,我就是这么来的:win10虚拟机Oracle VM VirtualBox安装和使用教程
  2. 安装好Ubuntu后,就可以安装docker了,这里我找了一个简书的文章:解决ubuntu安装docker很慢的问题
    为了总结一波,也怕原链接失效,我这里引用一下内容:
官方的源很慢,使用阿里的:

1. unload 原的docker

sudo apt-get remove docker docker-engine docker-ce docker.io

sudo apt-get update

2. apt-get 可以使用https库

sudo apt-get install -y apt-transport-https ca-certif
### 如何使用Docker分发深度学习环境 #### 使用官方镜像简化安装过程 对于希望快速搭建深度学习环境的开发者来说,利用现有的官方预构建镜像是最简便的方式之。NVIDIA 提供了系列针对不同框架优化过的 GPU 支持容器,这些容器已经预先配置好了 CUDA、cuDNN 和其他必要的依赖项[^4]。 ```bash docker pull nvidia/cuda:11.7.0-base-ubuntu20.04 ``` 此命令会下载个基于 Ubuntu 20.04 的基础映像文件,其中包含了版本号为 `11.7` 的 NVIDIA CUDA 工具包。如果目标是 TensorFlow 或 PyTorch,则可以选择更具体的标签来获取集成了特定库的支持。 #### 自定义 Dockerfile 构建个性化开发环境 当默认选项无法满足需求时,可以通过编写自定义的 Dockerfile 来精确控制最终生成的运行环境。下面是个简单的例子: ```Dockerfile FROM nvidia/cuda:11.7.0-runtime-ubuntu20.04 RUN apt-get update && \ DEBIAN_FRONTEND=noninteractive apt-get install -y python3-pip git && \ pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 WORKDIR /workspace COPY . . CMD ["python3", "app.py"] ``` 这段脚本首先指定了要继承的基础镜像,接着通过系列指令完成了 Python 解释器及相关机器学习库的安装工作;最后设置了应用程序的工作目录指定启动命令。为了提高效率,在实际操作过程中应当考虑采用多阶段构建以及合理设置缓存点等策略以减小最终产出物大小和加速编译流程[^2]。 #### 发布与共享定制化镜像 完成本地测试验证之后,可以将制作好的镜像推送到公共仓库如 Docker Hub 上面以便他人访问或团队内部协作交流。在此之前记得先登录到对应的账号下: ```bash docker login docker tag my-dl-env username/my-dl-env:v1.0.0 docker push username/my-dl-env:v1.0.0 ``` 上述步骤依次实现了身份认证、打标重命名和个人资料空间内的上传动作。这样做的好处在于方便后续维护更新的同时也利于形成良好的社区生态体系建设。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值