机器学习开发常遇到环境配置、依赖冲突以及在不同系统上确保可复现性等问题。容器化，特别是使用 Docker，通过将应用程序及其依赖项打包在一起，提供了一种结构化的方法来解决这些问题。

本章将回顾机器学习工作流中 Docker 的基本要点，从而打下基础。我们将了解：

• 在机器学习项目中，使用容器实现一致性和可扩展性的具体优点。
• Docker 核心组件：镜像、容器和层，以及它们与机器学习环境的关系。
• 管理容器生命周期的基本命令。
• 介绍如何使用 Dockerfile 定义自定义环境。
• Docker 注册表（如 Docker Hub）在共享和获取镜像方面的作用。

在本章结束时，您将明白 Docker 对机器学习为何有益，并获得运行预构建机器学习镜像的实践经验。