【重要通知】【倒计时 2 天，点击“阅读原文”抢票】新智元和行业领袖英特尔联合举办，中国 AI 2017 开年盛典启幕在即。新智元327技术峰会暨颁奖盛典现场一律凭活动行二维码入场，大会于3月27日 8:00 正式开始签到，8:50会议开始，现场座位紧张请提前签到入场。活动行在大会现场设有咨询席位，但提前换二维码节省签到时间。请团购注册的公司关注，务必提醒参会的同事们手机接收二维码，如果不清晰可以打印出来，现场在签到处换领大会嘉宾胸卡。

　　【新智元导读】本文来自PaddlePaddle团队，介绍了PaddlePaddle与众不同的基于Docker的编译、开发、测试、调试、发布、部署、和运行的全流程及其背后的设计思路。

　　继两周前PaddlePaddle社区发布新的PythonAPI之后，最近又发布了对应的新版Docker镜像，并优化了镜像的体积和组织方式。

　　这些工作的目的是方便大家在单机和Kubernetes机群上运行分布式深度学习作业。当Baidu Research官方Twitter账号发布这条消息并且被Andrew Ng转发后，收到了很多反馈。其中有朋友们好奇Docker在AI中的应用是不是“overkill”。其实这些工作都是为了简化用户需要做的操作。只是Docker在AI系统中的应用还刚刚开始，大家可能还不熟悉，所以我们写作本文，介绍PaddlePaddle与众不同的基于Docker的编译、开发、测试、调试、发布、部署、和运行的全流程及其背后的设计思路。

　　除了PaddlePaddle本身，基于它开发的Deep Learning入门教材也是基于Docker image 的形式发布的。这本书中的每一章都是一个Jupyter Notebook。而Docker image里包括了Jupyter server、PaddlePaddle和所有被依赖的软件，所以大家不需要安装软件即可运行和浏览这本书，修改文中的例子程序并且执行和观察变化。

　　引入Docker也使得我们不需要修改PaddlePaddle的源码即可同时支持多种操作系统 -- Linux、Mac、Windows -- 因为这些操作系统都可以运行Docker了。

　　而且PaddlePaddle的开发环境（各种软件和配置）本身也被发布为一个Docker image，所以不仅是PaddlePaddle程序的用户、基于PaddlePaddle开发AI程序的用户，甚至PaddlePaddle的开发者，也都使用Docker container来开发和调试。

　　如果不希望使用Docker运行Paddle应用，用户可以使用开发环境镜像快速编译Paddle的.deb安装包，直接安装在企业的特定运行环境中运行！

　　应用镜像

　　《Deep Leanring 101》这本书是在Github社区里开发的一个PaddlePaddle应用程序。让我们先从这本书开始，解释PaddlePaddle应用开发和发布的过程吧。

　　因为PaddlePaddle社区已经把书籍的Docker镜像发布到了dockerhub.com，所以大家只需要执行一条命令即可运行这本书：

　　如果从国内访问dockerhub.com速度慢，也可以访问PaddlePaddle社区在香港维护的Docker registry 服务：

　　随后只需要在浏览器打开链接 :8888，选择一个感兴趣的章节，即可在浏览器里阅读书籍。界面如下图所以。用户可以点击上方工具栏的“运行”按钮来运行样例代码，查看输出的结果，并对照书籍开始学习，体验Paddle带来的深度学习之旅。

　　如果大家好奇这本书的Docker镜像的创建方法，可以参见这个脚本程序 https://github.com/PaddlePaddle/book/blob/develop/.tools/build_docker.sh，并参见下文。大家可以把自己基于PaddlePaddle开发的应用发布出来，便于用户在单机和Kubernetes机群上运行。

　　

　　生产环境镜像

　　上述书籍镜像都是基于PaddlePaddle的生产环境镜像（production iamge）构建的。生产环境镜像是任何PaddlePaddle应用镜像的基础，其中只包括build好的PaddlePaddle以及Python等必要的依赖，这样使其体积尽量小。目前PaddlePaddle社区维护以下四种生产镜像，分别对应包括不同CPU和GPU指令集的程序。

GPU/AVX paddle:0.10.0rc2-gpu

GPU/no-AVX paddle:0.10.0rc2-gpu-noavx

no-GPU/AVX paddle:0.10.0rc2

no-GPU/no-AVX paddle:0.10.0rc2-noavx

　　其中GPU版本镜像由于包含CUDA driver，体积会略大于纯CPU版本的镜像。而no-AVX镜像则提供可以兼容部分较早型号的不支持AVX指令集的CPU。也有一些云服务提供商提供的虚拟机不支持AVX指令集。

　　基于生产环境镜像开发应用

　　下面我们演示使用PaddlePaddle 生产环境镜像构建应用的方法。首先我们编写一个应用程序/work/myapp.py：

　　

　　我们可以执行生产镜像，利用其中编译好的PaddlePaddle来执行我们的应用程序：

　　

　　这个例子里，/work目录为保存run.py文件的目录，run.py程序和其依赖以及数据都会放在这个目录下，通过-v参数挂载到容器中，运行run.py即可启动我们的训练任务。

　　如果dockerhub.com速度慢，也可以使用PaddlePaddle社区维护的Docker registry：

　　可以看到如下输出（截取部分）：

　　

　　对于更加复杂的深度学习应用，比如应用可能依赖官方Docker镜像之外的库，用户可以直接基于PaddlePaddle 的生产环境镜像打包自己的应用，创建如下的Dockerfile:

　　

　　使用诸如此类的Dockerfile即可根据用户的需要构建自己的镜像并应用于实际生产环境。

　　使用开发镜像

转载请注明出处。