Docker | TensorFlow
安装
学习
简介
TensorFlow 新手？
TensorFlow
核心的开源机器学习库
针对 JavaScript
使用 JavaScript 进行机器学习开发的 TensorFlow.js
针对移动设备和边缘设备
针对移动设备和边缘设备推出的 TensorFlow Lite
针对生产环境
针对端到端机器学习组件推出的 TensorFlow Extended
API
TensorFlow (v2.11.0)
Versions…
TensorFlow.js
TensorFlow Lite
TFX
资源
模型和数据集
由 Google 和社区构建的预训练模型和数据集
工具
由各种可助您使用 TensorFlow 的工具构成的生态系统
库和扩展程序
在 TensorFlow 基础上构建的库和扩展程序
TensorFlow 认证计划
拿下可证明您精通机器学习技术的证书，让自己脱颖而出
学习机器学习知识
帮助您掌握使用 TensorFlow 进行机器学习的基础知识教育资源
Responsible AI
帮助您在机器学习工作流中落实 Responsible AI 做法的资源和工具
社区
加入
探索参与其中的方式
博客
及时了解 TensorFlow 的所有资讯
论坛 ↗
TensorFlow 社区的讨论平台
群组
用户群组、兴趣小组和邮寄名单
贡献
关于贡献代码和文档的指南
选择 TensorFlow 的原因
简介
案例研究
English
Bahasa Indonesia
Español – América Latina
Français
Italiano
Polski
Português – Brasil
Tiếng Việt
Türkçe
Русский
עברית
العربيّة
فارسی
हिंदी
বাংলা
ภาษาไทย
中文 – 简体
中文 – 繁體
日本語
한국어
GitHub
安装
安装
学习
更多
API
更多
资源
更多
社区
更多
选择 TensorFlow 的原因
更多
GitHub
安装 TensorFlow
软件包
pip
Docker
其他设置
GPU 设备插件
问题
从源代码构建
Linux/macOS
Windows
SIG Build
语言绑定
Java
Java（旧版）
Go
简介
TensorFlow
针对 JavaScript
针对移动设备和边缘设备
针对生产环境
TensorFlow (v2.11.0)
Versions…
TensorFlow.js
TensorFlow Lite
TFX
模型和数据集
工具
库和扩展程序
TensorFlow 认证计划
学习机器学习知识
Responsible AI
加入
博客
论坛 ↗
群组
贡献
简介
案例研究
Check out sessions from the WiML Symposium covering diffusion models with KerasCV, on-device ML, and more. Watch on demand
TensorFlow
安装
Docker
Docker 使用容器创建虚拟环境，以便将 TensorFlow 安装结果与系统的其余部分隔离开来。TensorFlow 程序在此虚拟环境中运行，该环境能够与其主机共享资源（访问目录、使用 GPU、连接到互联网等）。我们会针对每个版本测试 TensorFlow Docker 映像。
Docker 是在 Linux 上启用 TensorFlow GPU 支持的最简单方法，因为只需在主机上安装 NVIDIA® GPU 驱动程序，而不必安装 NVIDIA® CUDA® 工具包。
TensorFlow Docker 要求
在本地主机上安装 Docker。
如需在 Linux 上启用 GPU 支持，请安装 NVIDIA Docker 支持。
请通过 docker -v 检查 Docker 版本。对于 19.03 之前的版本，您需要使用 nvidia-docker2 和 --runtime=nvidia 标记；对于 19.03 及之后的版本，您将需要使用 nvidia-container-toolkit 软件包和 --gpus all 标记。这两个选项都记录在上面链接的网页上。
注意：如需在没有 sudo 的情况下运行 docker 命令，请创建 docker 组并添加您的用户。有关详情，请参阅针对 Linux 的安装后步骤。
下载 TensorFlow Docker 映像
官方 TensorFlow Docker 映像位于 tensorflow/tensorflow Docker Hub 代码库中。映像版本按照以下格式进行标记：
标记
说明
latest
TensorFlow CPU 二进制映像的最新版本。（默认版本）
nightly
TensorFlow 映像的每夜版。（不稳定）
version
指定 TensorFlow 二进制映像的版本，例如：2.1.0
devel
TensorFlow master 开发环境的每夜版。包含 TensorFlow 源代码。
custom-op
用于开发 TF 自定义操作的特殊实验性映像。详见此处。
每个基本标记都有会添加或更改功能的变体：
标记变体
说明
tag-gpu
支持 GPU 的指定标记版本。（详见下文）
tag-jupyter
针对 Jupyter 的指定标记版本（包含 TensorFlow 教程笔记本）
您可以一次使用多个变体。例如，以下命令会将 TensorFlow 版本映像下载到计算机上：
docker pull tensorflow/tensorflow # latest stable release
docker pull tensorflow/tensorflow:devel-gpu # nightly dev release w/ GPU support
docker pull tensorflow/tensorflow:latest-gpu-jupyter # latest release w/ GPU support and Jupyter
启动 TensorFlow Docker 容器
要启动配置 TensorFlow 的容器，请使用以下命令格式：
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
有关详情，请参阅 docker 运行参考文档。
使用仅支持 CPU 的映像的示例
我们使用带 latest 标记的映像验证 TensorFlow 安装效果。Docker 会在首次运行时下载新的 TensorFlow 映像：
docker run -it --rm tensorflow/tensorflow \
python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
成功：TensorFlow 现已安装完毕。请查看教程开始使用。
我们来演示更多 TensorFlow Docker 方案。在配置 TensorFlow 的容器中启动 bash shell 会话：
docker run -it tensorflow/tensorflow bash
在此容器中，您可以启动 python 会话并导入 TensorFlow。
如需在容器内运行在主机上开发的 TensorFlow 程序，请装载主机目录并更改容器的工作目录 (-v hostDir:containerDir -w workDir)：
docker run -it --rm -v $PWD:/tmp -w /tmp tensorflow/tensorflow python ./script.py
向主机公开在容器中创建的文件时，可能会出现权限问题。通常情况下，最好修改主机系统上的文件。
使用每夜版 TensorFlow 启动 Jupyter 笔记本服务器：
docker run -it -p 8888:8888 tensorflow/tensorflow:nightly-jupyter
按照说明在主机网络浏览器中打开以下网址：http://127.0.0.1:8888/?token=...
GPU 支持
Docker 是在 GPU 上运行 TensorFlow 的最简单方法，因为主机只需安装 NVIDIA® 驱动程序，而不必安装 NVIDIA® CUDA® 工具包。
安装 Nvidia 容器工具包以向 Docker 添加 NVIDIA® GPU 支持。nvidia-container-runtime 仅适用于 Linux。有关详情，请参阅 nvidia-container-runtime 平台支持常见问题解答。
检查 GPU 是否可用：
lspci | grep -i nvidia
验证 nvidia-docker 安装效果：
docker run --gpus all --rm nvidia/cuda nvidia-smi
注意：nvidia-docker v2 使用 --runtime=nvidia，而不是 --gpus all。nvidia-docker v1 使用 nvidia-docker 别名，而不是 --runtime=nvidia 或 --gpus all 命令行标记。
使用支持 GPU 的映像的示例
下载并运行支持 GPU 的 TensorFlow 映像（可能需要几分钟的时间）：
docker run --gpus all -it --rm tensorflow/tensorflow:latest-gpu \
python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
设置支持 GPU 的映像可能需要一段时间。如果重复运行基于 GPU 的脚本，您可以使用 docker exec 重复使用容器。
使用最新的 TensorFlow GPU 映像在容器中启动 bash shell 会话：
docker run --gpus all -it tensorflow/tensorflow:latest-gpu bash
成功：TensorFlow 现已安装完毕。请查看教程开始使用。
Except as otherwise noted, the content of this page is licensed under the Creative Commons Attribution 4.0 License, and code samples are licensed under the Apache 2.0 License. For details, see the Google Developers Site Policies. Java is a registered trademark of Oracle and/or its affiliates.
Last updated 2021-01-29 UTC.
[]
[]
掌握动态
博客
GitHub
Twitter
哔哩哔哩
支持
问题跟踪器
版本说明
Stack Overflow
品牌指南
引用 TensorFlow
条款
隐私权政策
ICP证合字B2-20070004号
订阅 TensorFlow 简报
订阅
English
Bahasa Indonesia
Español – América Latina
Français
Italiano
Polski
Português – Brasil
Tiếng Việt
Türkçe
Русский
עברית
العربيّة
فارسی
हिंदी
বাংলা
ภาษาไทย
中文 – 简体
中文 – 繁體
日本語
한국어