在进行深度学习的时候，服务器上用docker，总结一下docker的建立与配置。
docker image相当于配置变量，而容器中放入的是要操作的软件、代码或其他文档等。
一、 在现有镜像文件基础上建立docker
以 docker image为例，docker hub中搜索Tensorflow，选择其中一个搜索结果进入，如图所示。
由于我要挂在GPU，因此，执行nvidia-docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu。
注意：首先得确认电脑上安装了nvidia_docker,NVIDIA/nvidia-docker
从上图中可以看出GPU、CUDA、docker、container和应用之间的关系。
现在回来说安装image的情况：nvidia-docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu命令中，使用了tensorflow/tensorflow:latest以后台模式启动一个容器，并将容器的8888端口映射到服务器的8888端口。个8888端口指的是docker所在服务器的端口，第二个8888指的是容器的端口。
如果我想给后台启动的容器起个名字，那么命令可以改为：nvidia-docker run -it --name wjtensorflow -p 8888:8888 tensorflow/tensorflow:latest-gpu，并执行该命令。
运行该命令时发现主机的8888端口号被占用了，因此，换一个端口号，并执行命令：nvidia-docker run -it --name wjtensorflow -p 18888:8888 tensorflow/tensorflow:latest-gpu，出现一下信息。其中我用红框标注的‘Serving notebooks from local directory: /notebooks’表示docker默认工作路径，是镜像文件自带的。而‘http://localhost:8888/?token=589f8b259b666ba1386797b5f033f533768398828167b768’表示我启动jupyter的url链接地址。需要注意的是：这里需要将localhost:8888修改一下，改为docker所在服务器的ip地址和端口号，由于我使用的服务器ip地址为192.168.2.254，端口号是上面的18888，所以对url地址修改一下即可，然后在网页内输入token。
到此，docker镜像安装完成。
但是！
我们访问容器或者对容器进行操作的时候很麻烦，因为容器和服务器相当于两个独立的空间，所以，为了我们的可操作性，会将服务器主机上的目录与容器中的目录做一个映射，其关键指令就是-v。比如，我在主机上新建一个文件夹，与容器名称相同，即都为wjtensorflow，那么指令如下：
nvidia-docker run -it --name wjtensorflow -p 18888:8888 -v /home/huichang/wjtensorflow:/notebooks tensorflow/tensorflow:latest-gpu
其中，/home/huichang/wjtensorflow是主机上我建立的目录，而/notebooks是容器wjtensorflow 的目录，此时，主机上的目录就映射到容器上了，而主机目录里面的内容则会完全替代容器中的内容。由于主机目录中的内容为空，所以容器中的原有内容会被清空。
但是，如果我不希望容器目录中的内容被清除掉，我可以在/notebooks下再建立一个文件夹，将/home/huichang/wjtensorflow文件的内容映射到/notebooks下的一个文件中，即这样子的：
nvidia-docker run -it --name wjtensorflow -p 18888:8888 -v /home/huichang/wjtensorflow:/notebooks/wj tensorflow/tensorflow:latest-gpu
至此，成功啦！
后面需要上传的项目代码，可以直接放在/home/huichang/wjtensorflow/wj中啦。
