Docker学习笔记

1.简介

1.1基本介绍

Docker 是一个开源的应用容器引擎,让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中,然后发布到任何流行的 Linux或Windows 机器上,也可以实现虚拟化。容器是完全使用沙箱机制,相互之间不会有任何接口。

1.2优势

  • Docker 启动快速属于秒级别。虚拟机通常需要几分钟去启动。
  • Docker 需要的资源更少。Docker 在操作系统级别进行虚拟化,Docker 容器和内核交互,几乎没有性能损耗,性能优于通过 Hypervisor 层与内核层的虚拟化。
  • Docker 更轻量。Docker 的架构可以共用一个内核与共享应用程序库,所占内存极小。同样的硬件环境,Docker 运行的镜像数远多于虚拟机数量,对系统的利用率非常高。
  • 与虚拟机相比,Docker 隔离性更弱。Docker 属于进程之间的隔离,虚拟机可实现系统级别隔离。
  • 安全性。Docker 的安全性也更弱,Docker 的租户 Root 和宿主机 Root 等同,一旦容器内的用户从普通用户权限提升为 Root 权限,它就直接具备了宿主机的 Root 权限,进而可进行无限制的操作。
  • 虚拟机租户 Root 权限和宿主机的 Root 虚拟机权限是分离的,并且虚拟机利用如 Intel 的 VT-d 和 VT-x 的 ring-1 硬件隔离技术。
  • 这种隔离技术可以防止虚拟机突破和彼此交互,而容器至今还没有任何形式的硬件隔离,这使得容器容易受到攻击。
  • 可管理性。Docker 的集中化管理工具还不算成熟。各种虚拟化技术都有成熟的管理工具,例如 VMware 提供完备的虚拟机管理能力。
  • 高可用和可恢复性。Docker 对业务的高可用支持是通过快速重新部署实现的。
  • 虚拟化具备负载均衡,高可用,容错,迁移和数据保护等经过生产实践检验的成熟保障机制, VMware 可承诺虚拟机 99.999% 高可用,保证业务连续性。
  • 快速创建、删除。虚拟化创建是分钟级别的,Docker 容器创建是秒级别的,Docker 的快速迭代性,决定了无论是开发、测试、部署都可以节约大量时间
  • 交付、部署。虚拟机可以通过镜像实现环境交付的一致性,但镜像分发无法体系化。Docker 在 Dockerfile 中记录了容器构建过程,可在集群中实现快速分发和快速部署。
特性容器虚拟机
启动秒级分钟级
硬盘使用一般为MB一般为GB
性能接近原生弱于
系统支持量单机支持上千个容器一般是几十个

1.3三要素

Image(镜像),Container(容器),Repository(仓库)为Docker的三要素。

  • Image(镜像)->scratch 是源镜像,类似于java中的object类
  • Container(容器):可以把容器看成一个简易版的linux环境
  • Repository(仓库)

与面向对象之间的类比:

Docker面向对象
容器对象
镜像(千层饼)

1.4机制

Docker容器后台运行,必须有一个前台进程,容器运行的命令若不是那些一直挂起的命令(top,tail。。。),就会自动退出

2.常用命令

2.1帮助命令

  • docker version 查看docker版本
  • docker info 查看docker更详细的信息
  • docker help 无需解释,相当于帮助文档

2.2镜像命令

  • docker images 查看本机上的镜像

    • -a 显示本地所有镜像(包含中间映像层)
  • -q 只显示镜像id

    • –digests 显示摘要信息
    • –no-trunc 显示完整镜像信息
  • docker search 镜像名称 在hub仓库查询镜像

    • -s 列出收藏数不小于指定数目的镜像
  • docker pull 镜像名 将镜像拉入本机(若不指定标签则默认拉latest)

  • docker rmi 镜像名 删除镜像(不指定标签则默认删除latest)

    • -f 强制删除(可罗列删除多个)
    • -f $(docker images -qa) 全部删除

2.3容器命令

PS:其中容器名也可用容器id代替(等价)

  • docker run [options] 镜像 [command] 新建并启动指定容器

    options:

    • -i 以交互模式运行容器

    • -t 为容器分配一个伪输入终端

    • -d 以守护进程方式启动

    • -p 对外暴露端口号:实际端口号 以指定端口号启动容器

    PS:通常-it是一定要加的

    command:

    • –name 别名 给容器起别名
    • -e 传递环境变量
  • docker ps 列出docker当前所有启动的容器

    • -q 只显示容器编号
    • -a 显示当前正在运行的与历史上运行过的容器
    • -l 显示最近创建过的容器
  • exit (在容器中使用) 关闭容器(后台也关闭,就是linux普通命令)

  • ctrl + p + q 返回宿主机(容器后台不关闭)

  • docker commit 提交容器副本使之成为一个新的镜像

    • -a=“作者名”
    • -m=“提交的描述信息”
  • docker start 容器名 启动容器

  • dockers restart 容器名 重启容器

  • docker stop 容器名 关闭容器(相当于windows关闭电脑)

  • docker kill 容器名 强制关闭容器(相当于拔掉电源)

  • docker rm 容器名 删除已退出容器

  • docker -rm -f $(docker ps -aq) 一次性删除全部已退出容器

  • docker logs -f -t --tail 容器id 查看容器日志

    • -t 加入时间戳
    • -f 跟随更新日志打印(实时查看)
    • –tail 数字 显示最后多少条
  • docker top 容器id 查看容器进程

  • docker inspect 容器id 查看容器内部细节(以json串的形式)

  • docker exec -it 容器id bashShell 直接得到结果,不进入容器

  • docker attach 容器id 进入曾经退出的容器(还在后台运行的)

  • docker cp 容器id:容器内路径 目的主机路径 将容器内文件拷贝到目的主机上

3.Docker镜像

3.1镜像介绍

镜像是一种轻量级,可执行的独立软件包,用来打包软件运行环境和基于环境开发的软件,它包含某个软件所需的所有内容,包含代码,运行时,库,环境变量和配置文件。

3.2UnionFS(联合文件系统)

3.2.1介绍

联合文件系统(Union File System):它可以把多个目录(也叫分支)内容联合挂载到同一个目录下,而目录的物理位置是分开的。UnionFS允许只读和可读写目录并存,就是说可同时删除和增加内容。UnionFS应用的地方很多,比如在多个磁盘分区上合并不同文件系统的主目录,或把几张CD光盘合并成一个统一的光盘目录(归档)。另外,具有写时复制(copy-on-write)功能UnionFS可以把只读和可读写文件系统合并在一起,虚拟上允许只读文件系统的修改可以保存到可写文件系统当中。

而docker的镜像实际上就是由一层一层的文件系统组成,这种文件系统就是UnionFS。也就是说,UnionFS是docker镜像的基础

3.2.2特性

一次同时加载多个文件系统,但从外面看来只能看到一个文件系统,因为联合加载会把各层文件系统叠加起来,这样最终的文件系统会包含所有的底层文件和目录

3.2.3优势

可以实现资源共享,从而提高效率(若多个镜像是由相同的base镜像构建而成的话,那么母机上只需保存一份base镜像,内存中只需加载一份base镜像就可为所有容器服务了,且容器的每一层都可以共享)

PS:bootfs(boot file system)是docker镜像的最底层,linux各版本的bootfs基本是一致的

3.3特点

  • Docker镜像都是只读的。

  • 当容器启动时,一个新的可写层被加载到镜像的顶部。这一层通常被称为“容器层”,容器层之下的都叫“镜像层”

4.Docker容器数据卷

4.1介绍

当我们在使用docker容器的时候,会产生一系列的数据文件,这些数据文件在我们关闭docker容器时是会消失的,但是其中产生的部分内容我们是希望能够把它给保存起来另作用途的,Docker将应用与运行环境打包成容器发布,我们希望在运行过程钟产生的部分数据是可以持久化的的,而且容器之间我们希望能够实现数据共享。
通俗地来说,docker容器数据卷可以看成使我们生活中常用的u盘,它存在于一个或多个的容器中,由docker挂载到容器,但不属于联合文件系统,Docker不会在容器删除时删除其挂载的数据卷。

类似于redis里面的rdb和aof文件

4.2特点

  • 数据卷可以在容器之间共享或重用数据

  • 数据卷中的更改可以直接生效

  • 数据卷中的更改不会包含在镜像的更新中

  • 数据卷的生命周期一直持续到没有容器使用它为止

4.3作用

  • 实现容器持久化
  • 使容器间可以共享数据(甚至容器与母机之间)

4.4使用

4.4.1 直接命令添加

  • docker run -it -v /母机绝对路径目录:/容器内目录【:ro】 镜像名

PS:若设定ro(read only)的话,那么只能由母机向容器添加数据,容器只能进行读取,不可进行增删改操作

如此操作以后,母机与容器之间便可以共享数据,就算容器退出(exit)之后,母机修改后数据仍会进行同步

4.4.2DockerFile添加

4.5数据卷容器

4.5.1介绍

命名的容器挂载数据卷,其他容器通过挂载这个父容器实现数据共享,挂载数据卷的容器称为数据卷荣容器。

4.5.2使用

–volumes-from 父容器

eg: docker run -it --name demo01 --volumes-from demoFather 容器名

4.5.3特点

容器之间配置信息的传递,数据卷的生命周期一直持续到没有容器使用它为止

也就是说,即便关闭,删除了某容器,他们之间的数据共享也不会停止

5.DockerFile

5.1介绍

DockerFile是用来构建Docker镜像的构建文件,是由一系列命令和参数构成的脚本

而从应用软件的角度上说,DockerFile,Docker镜像,Docker容器分别代表软件的三个不同的阶段:DockerFile相当于软件的原材料,Docker镜像相当于软件的交付品,Docker容器相当于软件的运行态

5.2构建步骤

  1. 编写dockerfile文件
  2. 执行docker build 命令
  3. 启动docker run 命令

5.3基础知识

  • 每条保留字指令都必须为大写字母且后面要跟随至少一个参数
  • 指令从上到下顺序执行
  • #表示注释
  • 每条指令都会创建一个新的镜像层,并对镜像进行提交

5.4体系结构(保留字)

  • FROM 基础镜像 表明当前镜像继承自哪个镜像
  • MAINTAINER 镜像维护者的姓名和邮箱地址
  • RUN 容器构建时需要运行的命令
  • EXPOSE 当前容器对外暴露的端口
  • WORKID 指定在构建容器后,终端默认登录进来工作的目录
  • ENV 设置环境变量
  • ADD 拷贝+解压缩/自动处理url (COPY加强版)
  • COPY 拷贝
  • VOLUME 容器数据卷,用于数据保存与持久化工作
  • CMD 指定一个容器启动时要执行的命令 可以有多个CMD命令,但只有最后一个会生效,CMD会被docker run 之后的参数替换
  • ENTRYPOINT 指定一个容器启动时要执行的命令 但不会进行替换
  • ONBUILD 当构建一个被继承的dockerfile时运行命令,父镜像在被子继承后父镜像的该指令被触发

不定期更新~

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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