簡略描述在Ubuntu18.04部署Docker+Tensorflow GPU版+Pycharm

簡單敘述一下如何在docker中運行tensorflow,並通過Pycharm連接docker進行開發，避免再次踩坑

1.安裝nvdia顯卡驅動

不一定需要安裝cuda，但可以通過安裝cuda來自動安裝顯卡驅動

2.安裝docker

這部分網上教程很多了，就不再贅述

3.設置docker鏡像加速(可選，此步驟的目的是為了加快pull鏡像的速度)

具體可參考：https://www.runoob.com/docker/docker-mirror-acceleration.html

4.安裝nvidia docker2

注意 根據nvidia docker的github頁面以及我自己的實驗，目前最新版本的docker已經原生支持nvidia gpu的調用，只需要在啟動鏡像時添加--gpus all參數即可。
看似無需額外安裝nvidia docker，但這種原生支持並不被Pycharm所支持，所以還是得安裝nvidia docker2。

5.修改docker daemon的配置文件

sudo vim /etc/docker/daemon.json

將其內容改為

{
    "registry-mirrors":["https://registry.docker-cn.com"],
    "default-runtime": "nvidia",
    "runtimes": {
        "nvidia": {
            "path": "/usr/bin/nvidia-container-runtime",
            "runtimeArgs": []
        }
    }
}

6.重啟daemon進程和docker服務

sudo systemctl daemon-reload
sudo systemctl restart docker

7.拉取tensorflow的鏡像

執行

docker pull tensorflow/tensorflow:2.0.1-gpu-py3

鏡像的tag可以不與上面的一致，可在https://hub.docker.com/r/tensorflow/tensorflow/tags選取適合自己的tag

8.運行tensorflow容器

docker run --rm -it tensorflow/tensorflow:2.0.1-gpu-py3 bash

可加上-v /example:/inner 將宿主機的/example文件夾掛載到容器的/inner,實現文件數據共享

9.安裝Pycharm Pro

后面的先挖坑，以后再填

10.配置Pycharm docker支持