d在文章“基于docker的工作环境搭建”中，简单介绍了基于docker建立一个开发、写作环境的过程。

TensorFlow是最知名的深度学习框架之一，借助已实现的功能，能很轻松的进行一些深度学习方面的开发和测试工作。如前文所说，docker是一个良好的开发、工作环境的依托者，因此建立一个基于docker的TensorFlow开发环境，能大大减少环境重复搭建、多团队合作等等问题。

docker&TensorFlow

下载docker

docker支持几乎所有的操作系统，从windows到mac，从centos到ubuntu等，在官方页面上有各种系统的安装方法：https://www.docker.com/docker-mac

docker栈

笔者工作环境是mac，因此直接官网下载docker的dmg文件，点击安装即可。

docker本身需要用到Linux的LXC技术，因此其最先是在Linux相关系统上实现的，由于windows本身不支持LXC技术，因此windows下安装docker实际上首先在windows上安装了一个虚拟环境，用来支持LXC相关的操作。详情参考http://www.docker.org.cn/book/install/about-docker-toolbox-37.html。

创建docker容器

基于“基于docker的工作环境搭建”中的介绍，docker搭建非常容易。

创建虚拟环境：docker-machine create tensorflow --driver virtualbox

设置环境：eval $(docker-machine env tensorflow)

获取tensorflow镜像：docker pull tensorflow/tensorflow

启动镜像：docker run --name test-tensortflow -it -p 8888:8888 -v ~/tensorflow:/notebooks/data tensorflow/tensorflow

在运行上面的启动命令后，即会看到如下输出信息：

启动tensorflow

从上面可以看出，启动后直接进入浏览器访问页面即可，但是需要实现安装Jupyter。因此未实现安装的环境中，还需要：

pip install Jupyter

至此环境即搭建完毕。

简单示例

在Jupyter首页new一个python项目，

from __future__ import print_function

import tensorflow as tf

with tf.Session():

input1 = tf.constant([1.0, 1.0, 1.0, 1.0])

input2 = tf.constant([2.0, 2.0, 2.0, 2.0])

output = tf.add(input1, input2)

result = output.eval()

print("result: ", result)

输出结果为，即整体环境均可正常运行。

result: [ 3.3.3.3.]

tensorflow运行结果

总结

基于docker的好处，就是可以将搭建好的环境上传至docker仓库中，然后在其他机器上或者后续使用的时候都可以从仓库中获取搭建好的tensorflow环境以及项目代码。