【1】最近领导天天在群里发一些机器学习的链接,搞得好像我们真的要搞机器学习似的,吃瓜群众感觉好神奇呀。
第一步
其实也是最后一步,就是网上百度一下,Docker Toolbox,下载下来,下载,安装之后会有三个图标,这里给大家截一下图
不过,这三个图标首先我们都不需要去点击他们。为什么呢?看来这么多片博文,感觉最靠谱的就是这一篇了http://www.linuxidc.com/Linux/2016-07/133506.htm
需要先去点击Git Bash这个图标,然后,输入 notepad .bash_profile 创建和打开.bash_profile 配置文件
然后,在空白处输入(因为我想将以后的镜像都安装到D盘,此处可以修改你喜欢的盘符):
export MACHINE_STORAGE_PATH='D:docker'
然后,关闭后,在D盘创建名为docker的文件夹,在其下创建名为cache的文件夹,将安装文件下的boot2docker.iso拷贝到该文件夹:
在Git Bash中输入更改路径命令,此处使用阿里云的加速器,因为在使用docker的时候,会需要从docker的网站下载镜像文件,下载速度可能会很慢。获得阿里云加速,需要登录阿里云开发者平台,然后点击右侧的管理中心(当然你得要有一个账户):
阿里云开发者平台:https://dev.aliyun.com/search.html
然后点击加速,Windows
复制红色方框中的代码,然后修改为如下(根据自己盘符修改):
docker-machine -s "D:docker" create --engine-registry-mirror=https://vf29u5xi.mirror.aliyuncs.com -d virtualbox default
现在就可以在Git Bash中运行了:
虚拟机中出现如下界面:
此时可以点击Docker Quickstart Terminal:
同时,Docker Quickstart Terminal也已经登录进去:
这台docker machine创建后就启动了,如果下次我们再打开电脑,想要启动docker machine,可以打开Docker Quickstart Terminal或者Git Bash,然后执行下面的命令:
docker-machine start
来启动docker machine。
然后是安装tensorflow的镜像
$docker pull registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow
然后是运行这个镜像
$docker run -it registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash
端口转发(在浏览器Jupyter里编程)
$docker run -it -p 8888:8888 registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash
然后下边是一个tensorflow 运行的实例
这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它.
$ docker run -it registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash root@fdbcbdba4caa:/notebooks# python >>> import tensorflow as tf >>> import numpy as np >>> x_data = np.float32(np.random.rand(2,100)) >>> y_data = np.dot([0.100,0.200],x_data)+0.300 >>> b=tf.Variable(tf.zeros([1])) >>> w=tf.Variable(tf.random_uniform([1,2],-1.0,1.0)) >>> y=tf.matmul(w,x_data)+b >>> loss = tf.reduce_mean(tf.square(y-y_data)) >>> optimizer = tf.train.GradientDescentOptimizer(0.5) >>> train = optimizer.minimize(loss) >>> init = tf.global_variables_initializer() >>> sess = tf.Session() >>> sess.run(init) >>> for step in xrange(0, 201): ... sess.run(train) ... if step % 20 == 0: ... print step, sess.run(w), sess.run(b) 0 [[-0.13530743 0.69625872]] [ 0.179198] 20 [[ 0.05920886 0.33623493]] [ 0.24744007] 40 [[ 0.09391995 0.23908366]] [ 0.28211853] 60 [[ 0.09934434 0.21140608]] [ 0.29422382] 80 [[ 0.10002527 0.20336725]] [ 0.29818568] 100 [[ 0.10004984 0.2010016 ]] [ 0.29943922] 120 [[ 0.10002301 0.20029941]] [ 0.29982832] 140 [[ 0.10000845 0.20008977]] [ 0.29994777] 160 [[ 0.10000283 0.20002694]] [ 0.29998416] 180 [[ 0.10000092 0.20000809]] [ 0.29999521] 200 [[ 0.10000028 0.20000243]] [ 0.29999855]