apt-get

本文首发于个人博客 https://kezunlin.me/post/15f5c3e8/ ，欢迎阅读! compile opencv on ubuntu 16.04 Series Part 1: compile opencv on ubuntu 16.04 Part 2: compile opencv with CUDA support on windows 10 Part 3: opencv mat for loop Part 4: speed up opencv image processing with openmp Guide requirements: ubuntu: 16.04 opencv: 3.3.0 install dependencies sudo apt-get install build-essential sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22

Docker提供了一种静态链接Linux核到应用程序的方式. 采用Docker容器可以调用GPUs，因此对于Tensorflow或者其它机器学习框架的部署是一种很好的工具. 利用Docker，不需要太多设置就可以重现机器学习项目，而不用再像下面这样： # 6 hours of installing dependencies python train.py > ERROR: libobscure.so cannot open shared object 只需进行类似于下面的操作，即可以执行 train.py 脚本，其集成了所有的依赖项，包括GPU支持： dockrun tensorflow/tensorflow:0.12.1-gpu python train.py > TRAINING SUCCESSFUL 此处， Docker是暂时的，且不会保存容器内的任何数据. 这里把Docker容器想象成一个1GB大小的 tensorflow.exe 应用程序，集成了需要编译的所有依赖项. Docker的好处 开源软件往往有很多依赖项，造成难以重用，比如不同编译器的版本、丢失头文件、不正确的库路径等等，这些都导致需要浪费很多时间来设置依赖项，以运行软件. Docker的使用 对于机器学习项目，如果想要分享在GitHub上，项目的依赖项一般是一系列的Linux命令行，复制并粘贴到终端中安装.

目录 引入 背景 服务器配置 方案决策 为什么选择这个方案 安装步骤 概述 接下来要注意的问题 安装Ubuntu16.04 LTS 宿主机换apt源 禁止Linux内核更新 安装显卡驱动 安装Docker 安装nvidia-docker2 加入docker组 Docker换源，换存储路径，限制容器日志大小 安装Shipyard中文版 创建容器 配置容器环境 解决中文乱码 打包为镜像 使用Dockerfile构建镜像 新建容器 附：实验室使用的最新版镜像 尾言 存在的问题 参考 引入 背景 实验室已有一台GPU服务器由学长管理，BOSS新购了一台服务器并希望能够像已有的那个服务器一样，让多人共同使用GPU资源而不相互干扰，同时系统资源分配比较灵活。经过一番考虑和踩坑，终于完美搭建GPU平台，记录下以供后人参考。 服务器配置 CPU: I7-9700K 主板: 微星Z390 gaming pro carbon 内存: 海盗船16G DDR4 3200MHZ x2 固态: Intel 760P 1T NVME固态 机械: 希捷2T 显卡: 技嘉2080Ti WF3 x4 方案决策 宿主机选择Ubuntu16.04 LTS，引导方式为UEFI，1T固态挂载点为 / ，2T机械挂载点为 /home 。 虚拟机容器选择Docker，为了支持在虚拟机中使用GPU资源，使用nvidia

一个晚上1.5倍速刷完docker的一系列教学视频 尚硅谷_Docker核心技术（基础篇） 再加上看过一本docker的书，算是基本知道了docker的一些操作 使用的 是endernewton的 faster rcnn ，使用的是tensorflow框架 在GPU服务器上训练和测试大致也是【docker部署运行环境】【文件上传】【编译运行】这些操作 （一）为什么使用docker 其实docker更大的用处应该是用来提供一个完整的运行环境分发给需要运行该程序的其他人，这个在教学视频中讲得很清楚。而这里使用docker，个人理解是因为GPU服务器上多个用户之间运行环境的隔离，大家相安无事和谐共处，自己的程序只在自己的容器里运行，需要什么软件包什么依赖不会影响全局。 （二）前情提要 1. 在GPU服务器上注册好个人用户，并加入了docker用户组（不用sudo即可使用docker） 2. 服务器上已经装好适配GPU和显存的驱动，nvidia-docker （三）容器创建 1. 登录服务器 2. 使用nvidia-docker拉取一个Tensorflow-gpu-py3的镜像并创建一个交互式容器，命名为tf docker run --runtime=nvidia -it --name tf daocloud.io/daocloud/tensorflow:1.9.0-gpu-py3

提要: 记录手动搭建GPU版PyTorch Docker镜像的过程。本地主机已经装好了显卡驱动，CUDA, cuDNN， 因此不再累述。本篇博客覆盖以下内容： Docker常用命令 搭建GPU版PyTorch镜像 Docker常用命令 ubuntu安装步骤 $ apt- get update $ apt- get -y install docker.io # 检查Docker服务的状态 $ service docker.io status # 一般显示 docker.io start/running, process xxxxx # # 把Docker安装为自启动服务，让它随服务器的启动而自动运行 update-rc.d docker.io defaults # # 测试Docker安装成功 docker run hello-world # 如果本地没有hello-world镜像，会自动拉去一个 Docker常用命令 ### 显示版本信息 (与python, nvcc相比少了两个‘--’） $ docker version ### 了解当前Docker的使用状态（当前容器，镜像数目信息，存储空间占用信息， # OS内核版本， 发行版本， 硬件资源等） $ docker info ### 拉去一个镜像 ( xxxx 表示某个镜像名字，） $ docker pull xxxx # e

1>先下载镜像文件，可以通过docker search selenium/centos/python3等等关键字搜索自己想要的一个初步的系统 例如 docker pull selenium/node-chrome 2>下载之后，通过docker run -it selenium/node-chrome /bin/bash 进入容器 3>一些查看的相关命令如 cat /etc/issue 查看系统信息，google-chrome -version 查看谷歌版本（如果未做软连接到环境变量目录需要到安装目录下执行这条命令），查看chromedriver信息也一样等 4>确认已安装好的软件和需要安装的，准备下需要安装的，比如这里需要安装python3，setuptools，pip3，selenium等； 5>可以通过WINscp把需要的文件上传到容器的宿主机上，进入文件目录，通过 # docker cp 文件 容器id:/opt/ 命令，可以将宿主机的文件拷贝至容器上，或者运行容器的时候带 -v参数挂载目录，通过目录访问再拷贝也可以， 6> 首先安装python3,为后面方便安装setuptools和pip3等工具，需先安装依赖包，这里的系统版本是ubuntu16.04版， # apt-get install openssl # apt-get install libssl-dev #

构建Sinatra应用程序 [root@dockerWEBrickDocker]# vim Dockerfile FROM ubuntu MAINTAINER wyfTurnbull huisebug@outlook.com ENV REFRSHED_AT2017-06-28 RUN apt-get update RUN apt-get -y installruby ruby-dev build-essential redis-tools RUN gem install--no-rdoc --no-ri sinatra json redis RUN mkdir -p/opt/webapp EXPOSE 4567 CMD ["/opt/webapp/bin/webapp" ] ~ 构建后 [root@dockerWEBrickDocker]# docker images REPOSITORY TAG IMAGE ID CREATED SIZE ubuntu/sinatra 1 4d46ed419d3d 18 minutes ago 386MB unbuntu/nginx 1 d39894d30c41 5 hours ago 214MB localhost:5000/wyf/huisebug 1 1a4b54d5d019 25 hours ago 257MB [root

Ubuntu下 sql server安装流程 安装 SQL Server 1.导入公共存储库 GPG 密钥： 　　 wget -qO- https://packages.microsoft.com/keys/microsoft.asc | sudo apt-key add - 2.注册 Microsoft SQL Server Ubuntu 存储库： 　　 sudo add-apt-repository "$(wget -qO- https://packages.microsoft.com/config/ubuntu/16.04/mssql-server-2017.list)" 　　如果想安装 SQL Server 2019，必须改为注册 SQL Server 2019 存储库，可使用以下命令： 　　 sudo add-apt-repository "$(wget -qO- https://packages.microsoft.com/config/ubuntu/16.04/mssql-server-2019.list)" 3.更新源，安装mssql-server 　　sudo apt-get update 　　sudo apt-get install -y mssql-server 4.包安装完成后，运行 mssql-conf setup，按照提示设置 SA 密码并选择版本。 　

http:// blog.csdn.net/pipisorry/article/details/50805379 Docker透过Dockerfile来记录建立Container映象文件的每一个步骤，可以将建立应用程序执行环境的过程和配置参数，完整地记录下来。开发人员和维运人员之间可以利用Dockerfile来沟通对执行环境的讨论。甚至结合版本控制服务如GitHub，可以让Dockerfile具备版本控制功能，能将基础架构程序化（Infrastructure as code）来管理。 构建自定义的镜像 Docker能自动创建镜像，构建自定义的镜像，有两种方法： 1、使用docker commit 命令 关于commit命令，其实就是使用docker run -i -t XXX /bin/bash 进入容器的交互界面，进行各种操作后，再将这个容器通过提交命令提交上去来达到目的。 $ docker ps -l 命令获得安装完命令之后容器的id如698*** $ docker commit 698 pika/py_ubuntu #把这个容器保存为镜像py_ubuntu 2、使用Dockerfile 这里介绍dockerfile方法，因为使用Dockerfile构建拥有比提交命令更高的灵活性和可维护性。 易于自动化的命令： Dockerfile包含创建镜像所需要的全部指令

目录 前言 Dockerfile的书写规则及指令使用方法 创建Dockerfile，构建运行环境 构建镜像 Dockerfile参考示例 Dockerfile最佳实践 1. 前言 Dockfile是一种被Docker程序解释的脚本，Dockerfile由一条一条的指令组成，每条指令对应Linux下面的一条命令。Docker程序将这些Dockerfile指令翻译真正的Linux命令。Dockerfile有自己书写格式和支持的命令，Docker程序解决这些命令间的依赖关系，类似于Makefile。Docker程序将读取Dockerfile，根据指令生成定制的image。相比image这种黑盒子，Dockerfile这种显而易见的脚本更容易被使用者接受，它明确的表明image是怎么产生的。有了Dockerfile，当我们需要定制自己额外的需求时，只需在Dockerfile上添加或者修改指令，重新生成image即可，省去了敲命令的麻烦。 2. Dockerfile的书写规则及指令使用方法 Dockerfile的指令是忽略大小写的，建议使用大写，使用 # 作为注释，每一行只支持一条指令，每条指令可以携带多个参数。 Dockerfile的指令根据作用可以分为两种， 构建指令和设置指令 。构建指令用于构建image，其指定的操作不会在运行image的容器上执行；设置指令用于设置image的属性