1。打开游戏空间，点击【开始】开始游戏；
2。到达游戏界面，点击右下角的设定人物；
3。单击[画质设置]；
4。选择[帧数设置]下的[高]；
5。点击右下角的【确认修改】；
6。屏幕上方会显示设置立即生效，表示设置成功。
使用docker容器开发机器学习模型有很多优点。最近，github的高级机器学习科学家hamelhusain发表了一篇关于走向数据科学的入门级docker容器教程。文章从基本概念入手，清晰地介绍了docker容器的一些基本操作方法和注意事项。机器之心整理介绍了这篇文章。本文涉及的所有相关代码请访问:_tutorial。
在过去的五年里，docker容器成了一个热词，似乎我所有的软件工程师朋友都在用它们开发应用程序。我想知道这项技术如何让我变得更高效，但我发现我在网上找到的教程要么太详细(解释了一些我作为数据科学家永远不会使用的功能)，要么太简单(没有足够的信息来帮助我理解如何快速有效地使用docker)。
所以我写了这个快速入门，让你不用自己去网上筛选资料，就能快速学会docker入门所需的一切。
docker是什么？
你可以把docker想象成一个轻量级的虚拟机——它包含了运行应用程序所需的一切。docker容器可以获取系统状态的快照，以便其他人可以使用该快照快速重建您的计算环境。这是本教程中您需要知道的全部内容。有关更多详情，请参考:
为什么要用docker？
1.重现性:作为一名专业的数据科学家，让你的结果具有重现性是非常重要的。再现性不仅有助于同行评审，还可以确保您创建的模型、应用程序或分析可以无障碍地运行，从而使您交付的结果更加稳健，经得起时间的考验。例如，如果你用python创建一个模型，仅仅运行pipfreeze并把结果requirements.txt文件发送给你的同事是不够的，因为它只包含特定于python的依赖关系——但实际上，依赖关系不仅仅是python，还有操作系统、编译器、驱动程序、配置文件以及你的代码成功运行所需的其他数据。即使只分享python依赖，也能成功。将所有内容封装在docker容器中仍然可以缓解这个问题。别人的负担，重建你的环境，让他们更容易获得你的成就。
2.计算环境的可移植性:作为一名数据科学家，尤其是在机器学习领域，快速改变你的计算环境的能力可以极大地影响你的生产力。数据科学的初始工作通常是原型设计、探索和研究——这些任务不一定立即需要特定的计算资源。这项工作通常在笔记本电脑或个人电脑上完成。但在未来的某个时候，你将经常需要不同的计算资源来显著加快你的工作流——例如，使用更多的cpu或强大的gpu来执行深度学习等任务。我见过许多数据科学家将自己限制在本地计算环境中，因为他们感到在远程机器上重建本地环境的困难。docker可以移植你的环境(你所有的库和文件等)。)很简单。在kaggle竞争中，快速移植计算环境也是一个巨大的竞争优势，因为你可以经济高效地使用aws宝贵的计算资源。最后，创建docker文件允许您移植许多您喜欢的本地环境配置——比如bash别名或vim插件。
3.加强你的工程能力:熟练使用docker可以让你将模型或分析部署到应用程序中(比如提供预测的restapi)，这样别人也可以使用你的结果。此外，您可能需要与数据科学工作流中docker容器中的其他应用程序进行交互，例如数据库。
码头术语
在我们继续之前，它熟悉docker的术语:
图像:它是你想要创造的蓝图。比如:ubuntutensorflow，带nvidia驱动，运行jupyter服务器。
容器:它是你实现的运行映像的实例化。您可以运行同一图像的多个副本。区分镜像和容器的区别非常重要，因为这是初学者经常混淆的两个概念。如果你不如果你不知道镜子和容器的区别，停下来再读一遍。
dockerfile:创建镜像的方法。dockerfile包含特殊的docker语法。官方文档说:dockerfile是一个文本文档，包含了用户可以在命令行调用的所有命令，组装成镜像。
提交:与git类似，docker容器提供版本控制。通过commit所做的更改，您可以随时将docker容器的状态保存为新的映像。
dockerhub/imageregistry:人们可以公开(或私下)发布。docker镜像用于促进合作和共享。
层:对现有图像的修改，由docker文件中的指令指示。将图层应用于基础图像，以创建最终图像。
这些术语将在本文中使用。如果你在阅读时忘记了它们，一定要检查回来！这些术语很容易混淆，尤其是在镜像和容器之间——所以你在阅读的时候要警惕！
安装docker
您可以从以下网址免费下载并安装docker社区版:
创建你的第一个码头工人形象。
在创建docker容器之前，创建一个用于定义镜像的docker文件是很有用的。让下面我们来慢慢解读dockerfile。您也可以在与本教程相关的github库中找到该文件:
#referenc:_/ubuntu/
来自ubuntu:16.04
#将元数据作为键值对示例标签版本1.0添加到图像中
标签维护者hamelhusain
##设置环境变量
环境。allcutf路8号。utf-8
运行apt-getupdate-fix-missingampapt-getinstall-ywgetbzip2ca-certificates
构建-基本
byobu
卷曲
git核心
htop
pkg-配置
python3-dev
python-pip
python-setuptools
python-virtualenv
拉开…的拉链
放大器
apt-get干净的ampamp
rm-rf/var/lib/apt/lists/*
运行echo导出路径/opt/conda/bin:＄pathgtampamp
wget-quiet_-o~ampamp
/bin/bash~-b-p/opt/condaampamp
rm~
envpath/opt/conda/bin:$小路
运行pip-no-cache-dir安装-升级
多重处理
sklearn-熊猫
#为jupyter打开端口
暴露7745
#安装文件系统
运行mkdirds
环境主页/ds
环境外壳/bin/bash
体积/密度
工作目录/ds
添加运行_/ds/运行_
运行chmodx/ds/run_
#运行外壳
cmd[。/run_]
from语句
来自ubuntu:16.04
from语句包含了docker最神奇的部分。该语句指定了您想要在其上创建的基本图像。通过使用from来指定一个基本映像，dock:16.04的映像——如果它不存在。;如果找不到，它将搜索您指定的docker注册表，默认为dockerhub:。如果你需要经常在你的ubuntu和其他操作系统上安装程序，这种分层机制非常方便。你不不用费心从头安装ubuntu，但你可以直接在官方ubuntu镜像上开发！dockerhub托管各种各样的映像，包括那些不仅提供操作系统的映像。例如，如果您想要一个安装了anaconda的容器，您可以选择在官方的anacondadock:16.04作为基图，它将搜索名为ubuntu(_/ubuntu/)的dockerhub库。映像名称后面的16.04部分是一个标记，它指定了您要安装的基础映像的版本。如果你搜索ubuntudockerhub库，你会注意到不同版本的ubuntu对应不同的标签:
2017年12月ubuntudock:16.04，ubuntu:x:x:latest都是指ubuntu16.04版本，都是同一个镜像的别名。此外，这里提供的链接指向相应的dockerfile，它可以用来构建每个版本的映像。有时你可以t在dockerhub中找不到docker文件，因为维护人员可以选择是否包含关于这些映像是如何创建的docker文件。个人觉得看一些dockerfile是有助于更好的理解dock:lat:16.04为什么？仔细看，可以看到:latest与16.04相关联。
关于docker镜像需要注意的最后一点:从dockerhub拉随机docker镜像时做出明智的判断恶意人士创建的拉映像可能包含恶意软件。
标签语句
这条语句将向您的图像添加元数据，它是完全可选的。加这句话的目的是让别人知道我可以联系谁，也方便我搜索我的docker容器，尤其是一个服务器上同时运行多个容器的时候。
标签维护者hamelhusainltyouremailgt
env语句
环境。allcutf路8号。utf-8
这允许您修改环境变量，而且非常简单。请参考:
运行语句
这通常是最需要努力的地方，并给出了在构建docker映像时要完成的任务。您可以运行任何shell命令(如apt-get和pipinstall)来安装您需要的软件包和依赖包。
运行apt-getupdate-fix-missingampapt-getinstall-ywgetbzip2
构建-基本
ca证书
git核心
...
在这里我安装了一些我喜欢的实用工具，比如curl和h。top，byobu，然后安装了anaconda，然后安装了一些基本anaconda中没有的其他库(可以在完整的dockerfile中看到其他run语句)。
run语句后面的命令和docker没有任何关系，只是你在安装这些软件包时需要运行的一些正常的linux命令，所以不要即使你不熟悉这些软件包或linux命令，也不用担心。另外，再提一个建议:我刚开始学习docker的时候，在github或者dockerhub上看其他的docker文件，然后把我需要的复制粘贴到我的docker文件中。
您可能已经注意到了run语句的格式。为了可读性，每个库或软件包都整齐地缩进并按字母顺序排序。这是dockerfile的常用做法，建议你也这样做，以便合作。
暴露语句
如果您想要公开一个端口——例如，如果您从容器或网络服务中实现一个jupyternotebook，那么这个语句非常有用。码头工人的文档很好地解释了expose语句:
expose指令实际上并不发布端口。它的功能是作为创建图像的人和运行容器的人之间的一种文档，内容是关于要发布的端口。要实际发布端口，您必须在dockerrun上使用-p标志，并在运行容器时映射一个或多个端口，或者您可以使用-p标志发布所有端口，并将它们映射到更高级的端口。
数量报表
体积/密度
这个语句允许你在docker容器和主机之间共享数据。volume语句允许您安装外部安装的卷。主机目录仅在容器运行时声明(因为您可能在不同的计算机上运行容器)，而在定义映像时不声明。目前，您只需在docker容器中指定想要与主机容器共享的文件夹的名称。
docker用户指南解释道:
主机目录是在容器运行时声明的:主机目录(挂载点)本质上依赖于主机。这是为了确保映像的可移植性，因为不能保证给定的主机目录对所有主机都可用。出于这个原因，你可以不要在dockerfile中挂载主机目录。卷指令不支持指定host-dir参数。创建或运行容器时，必须指定一个装载点。
此外，这些卷的目的是在容器的文件系统之外保存数据，这在您必须操作大量数据时非常有用。;我不希望你的形象大大扩大。当您保存码头时er映像，这个卷目录中的任何数据都不会保存为映像的一部分，但是这个容器目录之外的数据会被保存。
工作目录语句
工作目录/ds
此语句设置工作目录，以便您可以在另一个命令中索引特定文件，而无需使用绝对路径。例如，这个docker文件中的最后一句话是:
cmd[";。/run_";]
该语句假定默认情况下工作目录是/ds。
添加语句
添加运行_/ds/运行_
此命令允许您在docker容器运行时将文件从主机复制到docker容器。我使用这个命令来执行bash脚本并导入有用的东西，比如。bachrc文件到容器中。
请注意，这里没有完全指定主机容器的路径，因为它的主机路径是您在容器运行时指定的上下文目录的相对路径(稍后讨论)。
当我运行这个容器时，run_就在后台路径的根目录下，所以在源文件之前没有路径。
用户指南说:
添加
add指令从ltsrcgt复制新文件、目录或远程文件url，并将它们添加到路径ltdestgt的镜像文件系统中。
cmd语句
docker容器的设计思想是，这些容器是短命的，它足以保证你要运行的应用程序完成。但是在数据科学中，我们经常希望让这些容器一直运行，即使其中没有任何活动的东西在运行。许多人通过运行bashshell(它赢了不停止就不要停止。
cmd[";。/run_";]
在上面的命令中，我运行了一个shell脚本，该脚本实例化了一个jupyter笔记本服务器。然而，如果你不如果没有任何特定的应用程序要运行，并且只想让容器保持运行(不退出)，可以直接运行bashshell，只需使用以下命令:
cmd[/bin/bash]
这种方法是有效的，因为bashshell不会终止，除非您退出；因此，容器将一直保持运行。
用户指南说:
docker文件中只能有一条cmd指令。如果您列出了多个cmd，则只有最后一个有效。
cmd的主要目的是为执行容器提供默认配置。这些默认配置可能包含一个可执行文件，或者可执行文件可能被省略，在这种情况下，您还必须指定一个ent。rypoint命令。
在创建docker镜像docker文件的过程中有如此多的信息。唐别担心，后面的部分相对简单。现在我们已经在dockerfile中创建了我们的食谱。;是时候创建一个镜像了。您可以通过以下命令完成此操作:
还有:_tutorial/blob/master/basic_tutorial/build_ongithub。
这创建了一个docker映像(不是容器；如果你不idon'我记不起这两者之间的区别，请查阅文章前面的词汇表。您可以稍后运行此镜像。
从你的docker镜像创建并运行容器，现在你已经准备好让它工作了！我们可以通过执行以下命令来启动环境:
github还有:_tutorial/blob/master/basic_tutorial/run_。
运行此命令后，您的容器将运行！jupyter服务器也在运行，因为docker文件的末尾有这个命令:
cmd[";。/run_";]
现在你应该可以通过它使用的端口访问你的jupyt:7745/，密码是tutorial。如果您远程运行这个docker容器，您还必须设置本地端口转发，以便您可以通过浏览器访问您的jupyter服务器。端口转发简介:
与容器交互一旦容器设置好并运行，以下命令就很有用:
将新的终端会话附加到容器。如果您需要安装一些新软件或使用shell，这将非常有用。
将容器的状态保存为新图像。即使一开始就在dockerfile中配置了所有想要安装的库，随着时间的推移，你可能仍然需要对容器的状态进行很大的调整——通过交互添加更多的库和软件包。将容器的状态保存为镜像非常有用。您可以稍后共享或向其添加图层。您可以使用dockercommitcli命令将容器状态保存为新映像:
dockercommitltcontain:标签名(可选)
比如我想把一个名为contain:v2
你可能想知道镜像名称前的hamelsmu/是什么——这只是为了以后更方便地将容器推送到dockerhub，因为hamelsmu是我的dockerhub用户名(这个我们后面会讲到)。如果你想在工作中使用docker，你的公司很可能有一个内部私有的docker库，你也可以把你的docker推送到那里。
列出运行中的容器。当我忘记了正在运行的容器的名称时，我经常使用这个命令:
dockerps-a-f状态运行
如果您使用此命令而不添加statusrunning，您将看到系统上所有容器的列表(甚至包括那些不再运行的容器)。这对于寻找旧容器很有用。
列出您保存在本地的所有图像。
docker图像
将你的图片推送到dockerhub(或其他地方)。如果您想要与其他人共享您的工作或将图像保存到云中，此命令非常有用。这样做的时候注意不要分享任何私人信息(dockerhub上也有私人库)。
首先，创建一个dockerhub库并给你的库取一个合适的名字，参考这里。然后运行dockerlogin命令，连接到您在dockerhub或其他注册位置的帐户。例如，要将一个图像推送到这个容器()，我必须首先调用我的本地图像命令hamelsmu/tutorial(我可以选择任何标记名)。例如，此cli命令为:
dock:v2
将前面提到的docker镜像推送到这个库中，其标签为v2，引用:。需要指出的是，如果你公开了你的图片，别人可以直接给你的图片添加图层，就像我们在本教程中给ubuntuimage添加图层一样。这对想要复制或扩展你的研究的其他人非常有用。
你已经掌握了。现在您已经知道如何操作docker，您可以执行以下任务:
与同事和朋友分享可重复的研究。
通过将您的代码临时迁移到您需要的更大的计算环境中，不间断地赢得kaggle竞赛。
在笔记本电脑上的docker容器中进行本地原型开发。然后毫不费力地将相同的计算过程无缝地迁移到服务器，同时保留您喜欢的本地环境配置(您的别名、vim插件、bash脚本、自定义提示等。).
使用nvidia-docker快速实例化在gpu计算机上运行tensorflow、pytorch或其他深度学习库所需的所有依赖包。如果从零开始，过程会很艰难。)看后面的彩蛋。
将您的模型发布为应用程序，例如从docker容器提供预测的restapi。当你的应用是docker的时候，你可以根据需要轻松的随意复制。
进阶阅读到这里，我们只学到了docker的一点皮毛，还有很多值得掌握的东西。我很关注docker领域，我觉得数据科学家会经常遇到。希望这篇文章能给你足够的信心开始使用。以下资源对我的码头之旅有所帮助:
有用的docker命令:_docker_containers/
更有用的docker命令:
dockerfile文件参考:
如何在dockerhub上创建和推送库；
彩蛋:nvidia-docker我学习docker最早的原因是在单个gpu上进行深度学习模型的原型化，然后在需要更多计算资源的时候迁移到aws。我也在研究杰瑞米·霍华德的优秀课程()并想与他人分享我的原型设计。
然而，包括所有的依赖包，如nvidiagpu的驱动程序，你可以不要用docker，而要用nvidia-docker()。这比使用普通的docker需要更多的努力，但是只要你理解docker，它这很容易做到。
我把我的nvidia-docker设置放在这里:_tutorial/tree/master/gpu_tutorial。你可以用这个练习。
