之前一直用着原生系统搭建起来的环境，用着还算稳定，不过偶尔也会遇到一些困扰。比如tf,pytorch这类框架的API不是很稳定，版本更新后老的代码用不了。有时候跑别人的程序需要切换对应的版本。
在师弟的安利下尝试了一下用docker来运行深度学习环境。
之前用过几次，但是对docker的了解较少，稍微做了一点功课，Docker — 从入门到实践。
这里略过le docker的安装，详见docker的官方文档。
安装nvidia-docker
对于深度学习开发环境来说，CUDA环境是至关重要的，要在docker中训练模型，首先得要能够在docker中运行CUDA，nvidia官方给出了解决方案————nvidia-docker。
在docker中运行CUDA驱动，原生的系统中则省去了CUDA的安装。
上层的容器（具体的框架运行环境）则依赖于CUDA驱动，通过nvidia-docker来运行容器，可以获得CUDA加持。
更多细节建议参考nvidia-docker wiki
Ubuntu环境安装nvidia-docker:
测试nvidia-docker:
第一次运行该命令需要较长的时间拉取nvidia/cuda镜像。
如果一切顺利的话，最终可以看到熟悉的nvidia-smi的输出。
安装DL框架的运行环境
基本上主流的框架都会提供docker安装方式，这里以Pytorch为例。
Pytorch官方提供了Dockerfile，使用编译安装的，需要clone官方的repo，然后执行下面的命令即可。
由于是编译安装的方式，构建镜像大概需要一两个小时的时间。
测试运行一下：
可以尝试启动python然后import torch，此时CUDA状态是可用的。
运行自己的模型代码
通过上面的方式运行容器，虽然此时CUDA和框架框架都具备了，但是和本机是隔离的，容器中并没有自己的模型代码。
一种解决的方式是通过磁盘的映射。
其中$PWD是当前运行命令的目录，也可以手动替换成其他的，workspace则是pytorch容器中的默认目录，这个是官方Dockefile中默认定义的。
用这种方式可以将本地的代码目录映射到容器中，但是需要留心代码中的绝对路径，因为容器中的路径和本地路径是不同的（目前还没有找到比较好的解决方案）。
扩展镜像环境
上面运行的容器是由pytorch的官方镜像创建的，但是我们的代码可能还用到了别的，而官方镜像中不包含的内容。比如用了某个第三方的python库，这个时候就需要对镜像进行扩展。
方法是继承官方的pytorch镜像，然后自定义自己的Dockerfile，并创建出新的容器，运行nvidia-docker时指定使用我们自己自定义的镜像即可。
结束.
至此，基本可以像平时那样跑模型了，而且安装不同的框架和版本都非常方便。
nvidia-docker的命令有点长，可以考虑写成shell脚本的形式。
目前还没有解决的是代码中的路径问题，自己通过fabfile来自动化的替换掉配置文件中的路径，但是有些情况仍然不太方便。