目录
问题
跑机器学习程序环境往往涉及到以下几个方面的问题：
- 硬件，intel x86，amd，arm等各种芯片
- 操作系统，windows，ubuntu，centos，mac等，考虑64位，32位等
- 显卡驱动，例如采用英伟达nvidia公司的GPU显卡，1070ti，1080ti等等显卡涉及到驱动，cuda，cudnn等的安装问题
- 开发语言：目前主流的机器学习实验开发语言是python，涉及到python版本管理问题，各种依赖包管理与隔离问题
- 主流机器学习框架，对前面 4个 问题的依赖不一样，例如tensorflow，pytorch，keras（tensorflow2.0已经直接包含了该库），nni等等，例如做得好pytoch给你列出了各个情况下的安装方法
，但是例如tensorflow并没有很好的告诉用户每个版本的tensorflow依赖哪个版本的os和cuda版本编译，导致很多时候用户安装环境都搞半天。
解决思路
针对以上问题：
- 我们一般采用intel x86的芯片。操作系统一般采用x86 64位的Linux操作系统，以前是ubuntu14.04现在ubuntu18.04 x64逐步开始流行起来，例如nvidia英伟达公司官方的docker镜像 “nvidia/cuda:10.0-base” 就默认是ubuntu18.04
- 大部分机器学习框架都已经支持在ubuntu18.04 linxu操作系统版本下的运行
- 宿主机器要装好驱动，例如宿主机为：
安装一个最新版本的英伟达的显卡驱动“NVIDIA-Linux-x86_64-460.39.run”，具体各这驱动可以在英伟达官网上选择筛选，这里是1070ti显卡，linux生产稳定版本环境，“https://www.nvidia.cn/Download/index.aspx?lang=cn”其中选择：
下载即可，对于国内网速慢原因我已经放了一份在百度云盘：“链接：https://pan.baidu.com/s/1b_FTjx4UsDhyWfNTfCjw3w
提取码：6666 ”，如果是windows环境安装最新的英伟达驱动即可，docker中采用镜像：“nvidia/cuda:10.0-base”，默认就把cuda10.0 cudnn装好了 - 在基于镜像“nvidia/cuda:10.0-base”的容器中安装 Miniconda3-py39_4.9.2-Linux-x86_64.sh 版本的miniconda，安装这个最新版本的好处在于可以用最小的安装空间得到基础的python各种版本和依赖库，例如：“conda create --name yolov5_py3.8 python=3.8”，安装好自动配置环境变量后，就可以打包成一个可复用的docker，这里有个笔者已经做好的docker：registry.cn-hangzhou.aliyuncs.com/allen135681/easyml:ubuntu18.04-nvidia_cuda10.0-base-Miniconda3-py39_4.9.2 执行下面命令就可以本地下载好该docker。windows 10下可以用wsl docker技术拉取该镜像。
sudo docker pull registry.cn-hangzhou.aliyuncs.com/allen135681/easyml:ubuntu18.04-nvidia_cuda10.0-base-Miniconda3-py39_4.9.2以上docker主要有以下配置：
docker pull名字： registry.cn-hangzhou.aliyuncs.com/allen135681/easyml:ubuntu18.04-nvidia_cuda10.0-base-Miniconda3-py39_4.9.2 以上docker镜像基于英伟达官网的镜像nvidia/cuda 10.0-base eb416c0a142e 2 months ago 109MB 该基础镜像os是ubuntu18.04 以下内容是添加的内容： 1，添加apt 阿里云源： #添加阿里源 deb http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ focal-updates main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ focal-proposed main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ focal-proposed main restricted universe multiverse deb http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse deb-src http://mirrors.aliyun.com/ubuntu/ focal-backports main restricted universe multiverse 2，apt update;apt install vim安装vim 3，“/root/miniconda3/”目录下安装 Miniconda3-py39_4.9.2-Linux-x86_64.sh 自动配置环境变量，配置好后：conda 4.9.2 Python 3.9.1 pip 20.3.1 - 针对各种机器学习的库，可能都是在不同的操作系统版本，cuda版本，python版本下构建，必须要在这个版本上才能正常调用。所以需要模仿第4部分的思路构建多个类似的docker镜像文件。后续笔者会放出更多的针对各种机器学习库的docker镜像包。
总结
有了以上的镜像加持人人都可以成为合格的调包侠。快速复现baseline，SOTA等。