实践操作：运行预构建的机器学习镜像

运行预构建的机器学习 (machine learning)镜像提供了一种实践 Docker 的方式。Docker 的主要优势之一是其在 Docker Hub 等镜像仓库上提供了这些镜像。这些镜像通常包含已安装常用机器学习框架和库的精心配置环境，这能节省大量配置时间并确保一致性。

在这个动手练习中，我们将拉取并运行一个专为机器学习任务设计的流行预构建镜像。我们将使用一个包含 Jupyter Notebook 的官方 TensorFlow 镜像，它提供了一个随时可供实验的交互式环境。

步骤 1: 拉取 TensorFlow 镜像

首先，我们需要将镜像从 Docker Hub 下载到本地机器。打开终端或命令提示符，使用 docker pull 命令。我们将指定镜像名称和标签。标签通常指示版本或特定配置（例如 CPU 与 GPU，或包含开发工具）。

docker pull tensorflow/tensorflow:latest-jupyter

这个命令指示 Docker：

连接到默认镜像仓库（Docker Hub）。
找到名为 tensorflow/tensorflow 的仓库。
下载标记 (token)为 latest-jupyter 的镜像。这个特定标签提供了一个最新的 TensorFlow 构建，以及一个随时可用的 Jupyter Notebook 服务器。

你将看到 Docker 下载镜像层。所需时间取决于你的网络连接和镜像大小。

步骤 2: 运行容器

镜像下载完成后，我们可以使用 docker run 从中创建并启动一个容器。我们将使用几个选项：

-it：以交互模式运行容器并分配一个伪终端，这允许我们与它交互。
--rm：容器退出时自动移除它。这对于临时实验很有用。
-p 8888:8888：将你的主机上的 8888 端口映射到容器内部的 8888 端口。这是 Jupyter Notebook 使用的默认端口。
tensorflow/tensorflow:latest-jupyter：指定要使用的镜像。

执行以下命令：

docker run -it --rm -p 8888:8888 tensorflow/tensorflow:latest-jupyter

步骤 3: 访问 Jupyter Notebook

运行命令后，容器将启动，Jupyter Notebook 服务器将在其中启动。你将在终端中看到类似以下内容的输出（令牌将不同）：

[...]
    要访问笔记本，请在浏览器中打开此文件：
        file:///root/.local/share/jupyter/runtime/nbserver-6-open.html
    或复制并粘贴以下 URL 之一：
        http://127.0.0.1:8888/?token=a1b2c3d4e5f6a7b8c9d0e1f2a3b4c5d6e7f8a9b0c1d2e3f4
     or http://<container_hostname>:8888/?token=a1b2c3d4e5f6a7b8c9d0e1f2a3b4c5d6e7f8a9b0c1d2e3f4
[...]

复制包含 127.0.0.1 或 localhost 的 URL（包括 token 部分），并将其粘贴到你的网络浏览器中。

你现在应该能看到 Jupyter Notebook 界面正在 Docker 容器内部运行。

步骤 4: 与环境交互

在 Jupyter 界面中：

点击“New”并选择“Python 3”以启动新的笔记本。
在第一个单元格中，尝试导入 TensorFlow 以验证它是否已安装：
```
import tensorflow as tf
print(tf.__version__)
```
运行该单元格（Shift+Enter）。你应该会看到已安装的 TensorFlow 版本被打印出来。

你现在拥有了一个功能齐全的 TensorFlow 环境，它在隔离容器中运行，通过浏览器即可访问，无需直接在你的主机上安装 Python、TensorFlow 或 Jupyter。

步骤 5: 停止容器

要停止 Jupyter 服务器和容器，返回到运行 docker run 命令的终端，按两次 Ctrl+C。

因为我们使用了 --rm 标志，Docker 会在容器停止后自动移除它。如果你省略了 --rm，容器仍会处于停止状态。你可以使用 docker ps -a 列出它，并使用 docker rm <container_id_or_name> 手动移除它。

查找其他镜像

Docker Hub 托管着大量镜像集合。你可以直接在 Docker Hub 网站上搜索其他与机器学习 (machine learning)相关的镜像。许多组织为他们的工具提供官方镜像（例如 pytorch/pytorch、nvidia/cuda）。还有社区贡献的各种数据科学堆栈镜像。选择镜像时，请注意发布者、下载量和最新更新，以评估其可靠性。

这个练习展示了使用预构建 Docker 镜像的便利性。通过拉取现有镜像，你快速获得了一个标准化、即时可用的机器学习环境。这种使用预配置环境的能力大大节省时间，并有助于确保你和你的协作者使用相同的设置，从而减少常见的“在我的机器上能跑”的问题。在下一章中，我们将学习如何根据特定项目需求构建我们自己的自定义镜像。