45、Docker 加 tensorflow的机器学习入门初步

htbzwd

　　【1】最近领导天天在群里发一些机器学习的链接，搞得好像我们真的要搞机器学习似的，吃瓜群众感觉好神奇呀。
　　第一步
　　其实也是最后一步，就是网上百度一下，Docker Toolbox,下载下来，下载，安装之后会有三个图标，这里给大家截一下图

　　不过，这三个图标首先我们都不需要去点击他们。为什么呢？看来这么多片博文，感觉最靠谱的就是这一篇了http://www.iyunv.com/Linux/2016-07/133506.htm

　　需要先去点击Git Bash这个图标，然后，输入 notepad .bash_profile 创建和打开.bash_profile 配置文件

　　然后，在空白处输入（因为我想将以后的镜像都安装到D盘，此处可以修改你喜欢的盘符）：



export MACHINE_STORAGE_PATH='D:\docker'

　　然后，关闭后，在D盘创建名为docker的文件夹，在其下创建名为cache的文件夹，将安装文件下的boot2docker.iso拷贝到该文件夹：

　　在Git Bash中输入更改路径命令，此处使用阿里云的加速器，因为在使用docker的时候，会需要从docker的网站下载镜像文件，下载速度可能会很慢。获得阿里云加速，需要登录阿里云开发者平台，然后点击右侧的管理中心（当然你得要有一个账户）：
　　阿里云开发者平台：https://dev.aliyun.com/search.html

　　然后点击加速，Windows

　　复制红色方框中的代码，然后修改为如下（根据自己盘符修改）：



docker-machine -s "D:\docker" create --engine-registry-mirror=https://vf29u5xi.mirror.aliyuncs.com -d virtualbox default
　　现在就可以在Git Bash中运行了：

　　虚拟机中出现如下界面：

　　此时可以点击Docker Quickstart Terminal：

　　同时，Docker Quickstart Terminal也已经登录进去：

　　这台docker machine创建后就启动了，如果下次我们再打开电脑，想要启动docker machine，可以打开Docker Quickstart Terminal或者Git Bash，然后执行下面的命令：



docker-machine start
　　来启动docker machine。
　　然后是安装tensorflow的镜像
　　$docker pull registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow
　　然后是运行这个镜像
　　$docker run -it registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash
　　端口转发（在浏览器Jupyter里编程）
　　$docker run -it -p 8888:8888 registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash
　　然后下边是一个tensorflow 运行的实例
　　这段很短的 Python 程序生成了一些三维数据, 然后用一个平面拟合它.



$ docker run -it registry.cn-hangzhou.aliyuncs.com/denverdino/tensorflow bash
root@fdbcbdba4caa:/notebooks# python
>>> import tensorflow as tf
>>> import numpy as np
>>> x_data = np.float32(np.random.rand(2,100))
>>> y_data = np.dot([0.100,0.200],x_data)+0.300
>>> b=tf.Variable(tf.zeros([1]))
>>> w=tf.Variable(tf.random_uniform([1,2],-1.0,1.0))
>>> y=tf.matmul(w,x_data)+b
>>> loss = tf.reduce_mean(tf.square(y-y_data))
>>> optimizer = tf.train.GradientDescentOptimizer(0.5)
>>> train = optimizer.minimize(loss)
>>> init = tf.global_variables_initializer()
>>> sess = tf.Session()
>>> sess.run(init)
>>> for step in xrange(0, 201):
...     sess.run(train)
...     if step % 20 == 0:
...         print step, sess.run(w), sess.run(b)
0 [[-0.13530743  0.69625872]] [ 0.179198]
20 [[ 0.05920886  0.33623493]] [ 0.24744007]
40 [[ 0.09391995  0.23908366]] [ 0.28211853]
60 [[ 0.09934434  0.21140608]] [ 0.29422382]
80 [[ 0.10002527  0.20336725]] [ 0.29818568]
100 [[ 0.10004984  0.2010016 ]] [ 0.29943922]
120 [[ 0.10002301  0.20029941]] [ 0.29982832]
140 [[ 0.10000845  0.20008977]] [ 0.29994777]
160 [[ 0.10000283  0.20002694]] [ 0.29998416]
180 [[ 0.10000092  0.20000809]] [ 0.29999521]
200 [[ 0.10000028  0.20000243]] [ 0.29999855]