最近使用linux環境，發現這個系統給的root權限太高了，常常配環境和依賴庫的時候不小心把別的變量改了，或者是裝錯了依賴庫版本，導致系統無法運行；或者一個算法和另一個算法之間的依賴庫版本不兼容，導致要換依賴庫的版本非常痛苦。
但在linux中，有一個非常好用的技術–docker，它和虛擬機不同，運行代價小，而且可以達到虛擬機快速切換系統環境的功能，可以說是小而精。使用docker部署環境與依賴庫，已經成爲了一種新的技術風向。在tensorflow contribution guideline中，官方指定nvidia-docker爲編譯和修改代碼時的環境配置工具（nvidia-docker 在windows中不可用，詳見這裏）。
Docker簡介
以下內容的docker部分參考自Docker — 從入門到實踐。如果您之前沒有接觸過docker，強烈建議結合其中的基本概念、安裝docker、使用鏡像、操作容器、訪問倉庫的相關章節，來理解下面的內容。
nvdia-docker
如果您需要使用cuda和cudnn相關的庫，則應使用nvdia-docker。請在安裝docker以後，按照Qucikstart中的步驟安裝nvdia-docker插件。
虛擬機和Docker
虛擬機技術（virtual machine）是模擬一個完整的計算機系統。它將一整個系統建立在虛擬化的硬件(infrastructure)之上，而虛擬機軟件(hypervisor)，是架起了連接虛擬系統和顯示硬件的橋樑。
由於需要模擬一整套虛擬系統與虛擬硬件，虛擬機技術會佔用大量的硬件資源。這時人們創造了另一種虛擬形式–docker容器。
docker容器（container）是建立在宿主機硬件和系統上的技術，所以不同容器間的系統資源和核心庫是共享的，這意味着，你使用下列兩行代碼得到的結果，竟然是一樣的:
sudo docker run --rm ubuntu:14.04 uname -r
sudo docker run --rm ubuntu:18.04 uname -r
結果是：
4.15.0-46-generic
4.15.0-46-generic
這兩段的代碼做的事情差不多，分別在ubuntu14.04和ubuntu18.04中運行uname命令查看linux核心版本號，你得到的版本號應該是你宿主機系統(Host OS)的版本。而以下兩段代碼，得到的結果是不一樣的
sudo docker run --rm ubuntu:14.04 cat /etc/issue
sudo docker run --rm ubuntu:18.04 cat /etc/issue
結果分別是
Ubuntu 14.04.5 LTS \n \l
Ubuntu 18.04.1 LTS \n \l
因爲/etc/issue文件不屬於系統文件，而是容器中的文件。
| 虛擬機 | docker容器 | |
|---|---|---|
| 優點 | 可以調用所有虛擬系統資源與核心庫 | 極少運行資源 類似git的分層部署方式，避免冗餘 |
| 缺點 | 運行資源佔用大 | 非linux系統支持 |
Docker在windows/mac中
docker在windows和mac中，首先會運行一個docker desktop客戶端，這個客戶端相當於一個小型的linux虛擬機，然後在該虛擬機中啓動docker客戶端程序，所以docker在這兩個系統中的支持和運行速度都比在Linux中（實現方式爲啓動守護程序）要慢一個些。
所以如果您想要體驗原生的docker，推薦使用linux系統。
Dockerfile的編寫方式
在《Docker — 從入門到實踐》中，推薦使用dockerfile的方式構建鏡像，筆者也強烈推薦這個方式。之前我曾使用docker commit方式構建的鏡像，大小約爲dockerfile構建的5倍左右，冗餘非常嚴重，而且由於docker鏡像的層層構建方式，每次commit會導致鏡像越來越大，除非確保做好每次的清理工作。
本次我們使用dockerfile來構建鏡像，會用到兩個命令：RUN和ENV。
- RUN:docker中的RUN、CMD、ENTRYPOINT都可以幹類似的事情，即運行shell命令。具體區別可以參考這。一般來說，我們會使用RUN命令構建多層鏡像。
- ENV:它可以設定新鏡像中的系統環境變量，以免運行時找不到依賴庫。
以下是構建SNIPER運行環境的dockerfile:
# 下面這段進行編譯環境佈置
FROM nvidia/cuda:9.2-cudnn7-devel-ubuntu16.04 as env
USER root
RUN apt-get update \
&& apt-get -y install wget locales git bzip2 curl \
&& rm -rf /var/lib/apt/lists/*
RUN localedef -i en_US -c -f UTF-8 -A /usr/share/locale/locale.alias en_US.UTF-8
RUN echo "en_US.UTF-8 UTF-8" >> /etc/locale.gen \
&& locale-gen en_US.utf8 \
&& /usr/sbin/update-locale LANG=en_US.UTF-8
ENV LC_ALL en_US.UTF-8
ENV LANG en_US.UTF-8
ENV LANGUAGE en_US.UTF-8%
ENV LD_LIBRARY_PATH /usr/local/cuda/lib64
RUN apt-get update \
&& apt-get -y install \
libatlas-base-dev \
libopencv-dev \
libopenblas-dev \
&& rm -rf /var/lib/apt/lists/*
# 下面這段進行運行庫佈置
FROM sniper/env as prod
RUN apt-get update \
&& apt-get -y install python-pip
RUN pip install opencv-python==3.2.0.8 \
Cython \
matplotlib==2.2.4 \
numpy \
scipy \
pyyaml \
EasyDict \
protobuf \
argparse \
scikit-image \
tqdm \
futures\
&& rm -rf /var/lib/apt/lists/* \
&& rm -rf ~/.cache/pip/*
ENV LD_LIBRARY_PATH /usr/lib/x86_64-linux-gnu:/usr/local/cuda/lib64
ENV PYTHONPATH /root/SNIPER/SNIPER-mxnet/python:/root/SNIPER/lib
文件已上傳github，地址在此。
構建鏡像
下載dockerfile到本地
使用以下命令構建鏡像：
sudo nvidia-docker build -t sniper .
由於dockerfile是分步寫的，所以您也可以使用以下命令構建：
sudo nvidia-docker build --target env -t sniper/env .
sudo nvidia-docker build --target prod -t sniper/prod .
構建完的鏡像大小爲4.01GB。
第二種方式中，你在env編好之後就可以開始SNIPER-mxnet的編譯工作，prod只是增加以下SNIPER的運行庫。無論您使用哪種方式， 不要忘記複製代碼最後的"."。
SNIPER簡介
SNIPER是一種目標檢測算法，在coco2017和voc 2007數據集上，都實現了state-of-the-art的檢出精度。這裏是論文和代碼。
您可以按照這裏的第一步clone代碼
在按照流程構建鏡像之後，您可以使用以下代碼開啓一個容器（默認進入bash）
sudo nvidia-docker run -it -rm -v /root/SNIPER:/home/xxx/python/SNIPER/ sniper/prod
把這裏的/home/xxx替換爲您自己的SNIPER路徑，然後開始編譯SNIPER-mxnet代碼
cd /root/SNIPER/SNIPER-mxnet/
make USE_CUDA_PATH=/usr/local/cuda
cd ..
bash scripts/compile.sh
使用make編譯完成後，您會得到libmxnet.so:
運行scripts/compile.sh後，在nms/bbox/chips中，能看到下面的.so文件
運行SNIPER/demo.py
編譯好之後，先運行scipt/download_sniper_detector.sh下載預訓練模型，再運行demo.py，發現以下輸出結果，大功告成!
關於如何在pycharm中無縫使用nvidia-docker環境請參考這裏。
最後，祝您身體健康，再見！