基于Docker的TensorFlow机器学习框架搭建和实例源码解读

blake

概述：基于Docker的TensorFlow机器学习框架搭建和实例源码解读，TensorFlow作为最火热的机器学习框架之一，Docker是的容器，可以很好的结合起来，为机器学习或者科研人员提供便捷的机器学习开发环境，探索人工智能的奥秘，容器随开随用方便快捷。源码解析TensorFlow容器创建和示例程序运行，为热爱机器学者降低学习难度。




1.下载TensorFlow镜像

1. docker pull tensorflow/tensorflow
   
2. #或者
   
3. #sudo docker pull tensorflow/tensorflow

复制代码

2.创建TensorFlow容器，源码解读

1. docker run --name xiaolei-tensortflow -it -p 8888:8888 -v ~/tensorflow:/notebooks/data  tensorflow/tensorflow

复制代码

docker run运行镜像，
--name为容器创建别名，
-it保留命令行运行，
-p 8888:8888将本地的8888端口http://localhost:8888/映射，
-v ~/tensorflow:/notebooks/data 将本地的~/tensorflow文件夹挂载到新建容器的/notebooks/data下（这样创建的文件可以保存到本地~/tensorflow）
tensorflow/tensorflow为指定的镜像，默认标签为latest（即tensorflow/tensorflow:latest）


3.开启TensorFlow容器
3.1.可以直接从命令行中右键打开连接，或者在浏览器中输入localhost:8888，然后将命令行中的token粘贴上去。

4.开始TensorFlow编程(Python语言)
4.1.在首页可以New一个Python项目

4.2.tensorflow示例源码解读

1. from __future__ import print_function
   
2. #导入tensorflow
   
3. import tensorflow as tf
   
4. #输入两个数组，input1和input2然后相加，输出结果
   
5. with tf.Session():
   
6.     input1 = tf.constant([1.0, 1.0, 1.0, 1.0])
   
7.     input2 = tf.constant([2.0, 2.0, 2.0, 2.0])
   
8.     output = tf.add(input1, input2)
   
9.     result = output.eval()
   
10.     print("result: ", result)

复制代码

4.3.运行程序，输出的结果为（运行成功）

1. result:  [ 3.  3.  3.  3.]

复制代码

5.其他 linux,TensorFlow,Docker相关操作
5.1.关闭TensorFlow和开启TensorFlow环境

1. #关闭tensorflow容器
   
2. docker stop xiaolei-tensortflow
   
3. 
   
4. #开启TensorFlow容器
   
5. docker start xiaolei-tensortflow
   
6. #浏览器中输入 http://localhost:8888/

复制代码

5.2.解决文件的读写权限

1. #查看读写权限
   
2. ls -l
   
3. #将tensorflow 变为属于xiaolei（系统默认）用户
   
4. sudo chown -R xiaolei tensorflow/
   
5. #将tensorflow 变为属于xiaolei（系统默认）用户组
   
6. sudo chgrp -R xiaolei tensorflow/

复制代码