1 軟件安裝之痛
Docker是一種容器技術，它就像一個沙盒把應用程序隔離開來，不管有沒有遇到過你至少聽到某些應用程序不能兼容，最常見的就是升級某個系統，老版本跟新版本不能兼容，必須把老版本完全卸載掉。比如說oracle服務，如果把oracle安裝到物理主機上,如果需要升級那將會比較痛苦。再比如說新手學習各種軟件，apache、mysql、Python搞的電腦上亂七八糟的環境，想要重新安裝都很痛苦。
2 docker出現
有沒有一種技術能夠把這個環境隔離開？有那就是虛擬機，如果你爲了一個小服務單獨開一個虛擬機是不是太奢侈？這時候docker出現了，docker是一種容器區別於虛擬機，使用docker你可以打包、發佈、運行任何應用程序，如果你經常碰到開發環境與生產環境不一致，或者經常需要配置複雜的環境，那你就可以考慮使用它，“它是一處打包到處運行“。再介紹一個使用環境，那就是我們熟悉的雲，很常見我們經常去阿里雲、騰訊雲購買服務器，當我們使用的時候完全就是一個物理主機的狀態，與其他服務器完全隔離，這些大廠不會爲了一個用戶單獨開啓一個虛擬機，因爲太奢侈。而容器就不一樣，用多少分配多少，如果虛擬機佔用10G資源，而可能有9G是空餘出來的，而容器如果佔用的10G那麼它就可能只空餘出來1G或者更少。按照筆者的理解，容器僅僅隔離應用程序，而其他資源是容器間共享的，虛擬機是一種完全霸佔的狀態（個人理解）。
3 運行機制
下圖是介紹docker運行機制，可以看出應用程序在相互獨立的同時，分享物理機的資源
Docker最先是一種開源產品，現在有了社區版和企業版docker-ce與docker-ee。社區版基本已經滿足我們。
筆者強烈推薦docker一個原因，那就是可以共享環境，只要有一個人把複雜的環境配置並打包成鏡像，類似git一樣，commit一個版本，那麼其他人就可以直接使用這個環境，而不需要做任何配置，減少人力物力不說，還霸道的使得所有人的生產環境一致。
正是這個原因，我想到了入門機器學習時候，需要配置caffe/tensorflow，並且cuda版本號要對應上，cuda與cudnn版本也要對應上。當時就設想能不能使用docker來解決這個問題，遺憾的是不行，docker無法使用GPU。
但是辦法總比困難多，docker又發佈出一個插件nvidia-docker,nvidia-docker是基於docker安裝的，可以使得深度學習任務也能隔離開，這就意味着，我可以在一臺物理主機上跑各種框架的深度學習任務，環境隨機配，你開心就好。唯一的限制就是物理機上的cuda版本號要與docker容器中的cuda版本號一致，我覺得這個要求不過分。
下圖是nvidia-docker的運行機制，我們可以看到他們直接的層次結構。應用程序共享GPU,且被隔離開。
4 安裝步驟
安裝docker這裏不再累贅，官網安裝地址：
https://docs.docker.com/install/linux/docker-ce/ubuntu/。
nvidia-docker 安裝官網地址：
https://github.com/NVIDIA/nvidia-docker。
現在我需要一個ubuntu16.04+cuda9.2+cudnn7的開發環境，我可以選擇下載鏡像再去配置各種驅動，安裝cuda、安裝cudnn。但是我要秀一下更“懶的方式”。
在docker hub裏面查詢cuda9.2,找到星星最多的一個鏡像
裏面很多鏡像，我找到一個符合我自己要求的。
拉取鏡像：sudo docker pull nvidia/cuda:9.2-cudnn7-runtime-ubuntu16.04
查看拉取的鏡像：sudo docker ps
基於這個鏡像啓動容器：
sudo nvidia-docker run -ti nvidia/cuda:9.2-cudnn7-runtime-ubuntu16.04 bash
現在我已經進來了，完全就是一個乾淨的開發環境，等下，看看顯卡驅動配置好了沒。
開心的不行，如果你對版本沒有這個高的要求，那我們來github裏面找找看看還有什麼鏡像，搜索 tensoflow.
5 總結
GPU與CPU任你選，很開心有沒有？好了，docker在深度學習中的應用就介紹到這，安裝配置細節網絡一大堆，筆者已經在使用docker解放勞動力的興奮狀態中無法自拔，順便對windows用戶用安慰一句，nvidia-docker不支持windows，但是好消息是，其他的都支持。