Docker学习

镜像,容器,仓库是Docker三个要素


使用docker 镜像

docker运行容器前需要本地存在相应的镜像,如果本地不存在该镜像,Docker会从镜像仓库下载该镜像

1、获取镜像

从Docker镜像仓库获取镜像的命令是  docker pull,默认镜像地址是Docker Hub

仓库名:<用户名>/<软件名>

2、列出镜像

docker image ls

3、删除本地镜像

docker image rm 

用镜像ID,镜像名,摘要均可删除镜像



而Docker提供  docker commit  命令,将容器的存储层保存下来成为镜像,就是在原有镜像的基础上,再叠加上容器的存储层,并构成新的镜像文件。

手动给旧的镜像添加了新的一层,形成新的镜像。

缺点:由于每次操作,只能在当前层进行修改操作,无法对上一层进行任何改动,后期修改的话,每次改动都让镜像更加臃肿一次,所删除的上一层的东西不会消失,可能会让镜像十分臃肿


使用Dockerfile定制镜像

定制镜像:以一个镜像为基础,在其上进行定制。

镜像定制就是定制每一层所添加的配置、文件,如果我们把每一层的修改、安装、构建、操作的命令都写入一个脚本,用这个脚本来构建、定制镜像,那么先前提及的无法重复的问题、镜像构建透明的问题、体积的问题都会解决。这个脚本就是Dockerfile。

Dockerfile包含一条条的指令,每一条指令构建一层,每条指令描述当前层应当如何构建。

FROM制定基础镜像

RUN执行命令

RUN指令是用来执行命令行命令的。其格式有两种:

    shell格式:RUN <命令>

Dockerfile中每一个RUN指令都会建立一层,构成新的镜像。为减少镜像层数,可以使用&&将各个所需命令串联起来



操作容器

概念:是独立运行的一个或一组应用,以及它们的运行态环境。

如何管理一个容器,包括创建、启动和停止等

1、启动容器:

启动容器有两种方式,一种是基于镜像新建一个容器并启动,另一种是将在终止状态的容器重新启动。

新建并启动

docker run 

-t 是让Docker分配一个伪终端,绑定到容器的标准输入上

-i 是让容器的标准输入保持打开

启动已终止容器

可以利用 docker container start 命令,将一个已经终止的容器启动运行

后台运行

-d   需要让docker在后台运行而不是直接把执行命令的结果输出到当前宿主机下,-d参数启动后会返回一个唯一的id

这时候容器在后台运行,并不会把输出的结果打印到宿主机上面,输出的结果用 docker logs 查看

也可以用docker container ls 查看容器信息

2、终止容器

docker container stop  来终止一个运行中的容器

容器中指定的应用终结时,容器也自动终止

终止状态的容器可以用 docker container ls -a  查看(docker container ls  查看运行中的容器)

3、进入容器

使用 -d 参数时,容器启动后会进入后台

某些时候需要进入容器进行操作,包括使用 docker exec 或 docker  attach 命令。

docker attach 容器ID             如果退出这个stdin,会导致容器停止

docker exec     -i   可以和容器进行交互    -t  分配一个伪终端  如果退出这个stdin,不会影响容器运行                        推荐使用

4、导入和导出容器

导出容器

如果要导出到本地某个容器,可以使用  docker  export   容器ID >  文件名

导入容器快照,  docker  import 

 5、删除容器

Docker  container rm  来删除一个处于终止状态的容器

docker  container rm 容器名

如果要删除一个运行中的容器,可以添加 -f  参数。


访问仓库

仓库是集中存放镜像的地方

注册服务器,是管理仓库的具体服务器,每个服务器可以有多个仓库,每个仓库下面有多个镜像大部分时候,不需要严格区分。

Docker官方维护了一个公共仓库Docker Hub,大部分需求都可以通过Docker Hub中直接下载镜像来实现。。

使用Docker  search 来查找官方仓库中的镜像,利用Docker pull命令将它下载到本地。

也可以在登陆后,使用docker push 命令将自己的镜像推送到Docker Hub



学习参考自:Docker ——从入门到实践

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值