Docker 使用杂记 - 最佳实践尝试 - 实战
- Docker简介
- 项目背景
  - 内在原因
  - 外在原因
- 基础镜像
  - FROM
  - 需求
- 镜像维护者
  - LABEL
- 工作文件夹
  - WORKDIR
- 文件
  - ADD
  - COPY
- 宗卷
  - VOLUME
- 命令
  - RUN
- 入口点
  - ENTRYPORT
  - CMD
- Dockerfile
- 后记
- 本文环境
- 参考

Docker 使用杂记 - 最佳实践尝试 - 实战

本文记录了一个项目中使用docker构建环境的过程

Docker简介

Docker NB！好了其他简介自己看网上吧

项目背景

内在原因

这次的代码基于一个特定的tensorflow版本构建（才不是tf2跑不起来呢！

外在原因

与别人分享代码的时候就可以不用告诉他怎么一步步配置环境了

并且基于GPU的Docker镜像可以由nvidia-docker直接运行

基础镜像

FROM

需求

Tensorflow==1.14

CUDA==10.0

cuDNN==7.4

openCV==3.4.2.16

俗话说好的开始是成功的一半

这次的基础镜像就由tensorflow官方搭的镜像为基础

看了一圈选择了tensorflow/tensorflow:1.14.0-gpu-py3

地址在这tensorflow:1.14.0-gpu-py3

挺不错自带GPU支持要构建其他镜像的同学也可以在tags里面搜索即可全都有

镜像维护者

LABEL

这里是说的MAINTAINER这个标签但是我刚敲出来就发现过期了（deprecated

上网一搜发现解决方案是用LABEL

最佳实践：

LABEL maintainer="Licsber <Licsber@njit.edu.cn>"

工作文件夹

WORKDIR

顾名思义制定容器内默认的文件夹

不指定的话默认就是/根目录

WORKDIR /home

文件

ADD

ADD的好处是tar.gz文件可以自动解压

并且ADD可以从网络路径拷贝文件

任何情况下尽量不使用ADD（因为各种奇怪行为

COPY

顾名思义 COPY：拷贝文件

语义明确推荐使用

注意目标地址一定要是一个目录（不然报错

源地址拷贝会自动相当于有一个 /*的拷贝

于是乎造成的特性就是只拷贝文件夹内的内容

COPY sources.list /etc/apt/

COPY model /home/model/

COPY *.py /home/

另外的特性就是可以使用通配符（符合Go语法即可（GoNB

宗卷

VOLUME

设置宗卷之后可以使用外置环境的内容了

VOLUME /data

挂载的方式：在docker run后面带上参数

-v $源路径:$宗卷名称切记别反了（我第一次就反了 debug半天

例如：

sudo docker run -v /Users/licsber/Download:/data $项目名称

这样在镜像内/data就能访问到外置环境了方便保存结果读取文件

命令

RUN

RUN用于运行命令

最佳实践：

RUN apt update && apt install libsm6 libxrender1 libxext-dev ffmpeg -y && \

    pip install -U -i https://pypi.tuna.tsinghua.edu.cn/simple pip && \

    pip install matplotlib scipy ffmpy opencv-python==3.4.2.16 opencv-contrib-python==3.4.2.16 tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple

新手会把RUN命令写多个但是每一个Docker命令都会新建一层

这样会让层数特别多于是如果只是为了构建环境一句话就够

入口点

ENTRYPORT

和CMD命令差不多

区别就是不会被默认替换

如果只定义CMD 空参数运行默认执行CMD里的内容

如果只定义CMD 带参数运行会覆盖CMD定义的命令

ENTRYPOINT ["python", "main.py"]

这样镜像名:tag后面的参数就会默认追加到入口点了

CMD

另外需要注意的就是Docker没有后台的概念

如果在里面写这样：

CMD service nginx start

会发现容器秒退因为Docker是容器具体解释参见CMD容器启动命令

Dockerfile

okk 看完了前面终于到了重点

把这些命令一行行码好放到一个Dockerfile里

就可以build了

build之后 run push 之类的操作岂不是顺手拈来

另外可以看看阿里天池的Docker训练也能摸索tag的使用方法

还有关于tag的一个小坑 latest 这个自己谷歌吧

完整的Dockerfile贴在这：

FROM tensorflow/tensorflow:1.14.0-gpu-py3

LABEL maintainer="Licsber <Licsber@njit.edu.cn>"

WORKDIR /home

VOLUME /data

COPY sources.list /etc/apt/

RUN apt update && apt install libsm6 libxrender1 libxext-dev ffmpeg -y && \

    pip install -U -i https://pypi.tuna.tsinghua.edu.cn/simple pip && \

    pip install matplotlib scipy ffmpy opencv-python==3.4.2.16 opencv-contrib-python==3.4.2.16 tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple 

COPY model /home/model/

COPY *.py /home/

ENTRYPOINT ["python", "Retargeting.py"]

后记

话说loop: 改代码 -> build同一个tag -> 运行是不是最佳实践呀？

实测产生大量<none> 需要手动删除

这里贴出来一键代码：清理无用的docker镜像

alias dclean='sudo docker rmi $(sudo docker images -f "dangling=true" -q)'

没错我就是电脑里定义了100+alias的小天才（逃

本文环境

Docker engine==19.03.5

参考

Docker — 从入门到实践

Docker MAINTAINER Instruction