深度学习计算机视觉MXNET docker环境搭建

       如今计算机视觉领域深度学习已经成为主流，我在美读研的时候，深度学习并未取得大的突破，当时流行的图像识别分类器多采用手工设计特征+编码+SVM（支持向量机）框架下的算法，终于到了2012年（我刚毕业），在ILSVRC上，alexnet的横空出世，将分类错误率从以前的25.7%降到了15.3%，这只是一个5卷积层+2全链接层的卷积神经网络，却一下取得了10%的突破，这是深度学习在CV领域的一次翻身仗，自此之后，ImageNet的参赛者几乎全体转向了基于卷积神经网络的深度学习算法。基于此的应用如雨后春笋般一晚上之间全冒了出来。深度学习尤为是卷积神经网络就如同万能的大杀器，在计算机视觉的各个领域开始发挥做用。

       cuda的应用在这一进程中起到了毋庸置疑的做用，因此想要在这一领域开展工做，使用正确的硬件和计算框架是很重要的，本文提供了一个快速搭建MXNET环境的方案，虽然TensorFlow和Caffe是更加主流，可是MXnet做为Amazon主推的深度学习平台，具备轻量级，高性能等特色，而且支持多种语言，能够说是一个很是具备潜力的框架。

       个人硬件环境是一台GPU服务器，有2块tesla p100进行GPU运算，对于通常人来讲，你的硬件至少须要一个支持cuda的英伟达显卡，而且安装了任意linux环境，常规安装教程不少，但都很繁琐，因为我是用docker进行部署，因此能够很是快速的进行环境搭建，会用docker而且想省去安装过程的同窗能够参考如下教程。

       前提是你的linux环境中已经安装了docker，nvidia cuda驱动，NVIDIA docker等，这些步骤在网上有不少的教程，在此不表 

    获取镜像

      https://hub.docker.com/search/?isAutomated=0&isOfficial=0&page=1&pullCount=0&q=mxnet&starCount=0   在docker官方取得你须要镜像的信息，并执行docker pull命令

 

      docker pull mxnet/python：你的版本tag。     

   

      若是镜像下载速度慢，能够搜一些国内镜像服务器的地址，例如 docker pull registry.docker-cn.com/mxnet/python:1.3.0_gpu_cu90_mkl

 

       随后启动该镜像：

       

      启动镜像

 

 执行docker ps -a ，获取你刚pull的镜像的 id，即下文命令 commit后面的字段

    给你的镜像取一个名字

    docker commit 90b97b96394a example:0.1

    随后启动该镜像，若是须要进行外部访问，好比启动一个jupyter在浏览器中进行编码，须要配置端口映射，所有命令以下：

    docker run -itd --runtime=nvidia  --name=example -p 19999:8888 -p 16007:6006 example:0.2 /bin/bash

    这时镜像应该已经启动，使用docker ps -a 指令查看容器运行状态，若是正常运行，便可进入容器。

 

    执行命令    docker exec -it example bash 进入容器，此时已经配好了mxnet环境，进入python，随便敲几行代码进行测试。

    我在实际使用过程当中，发现该容器缺了不少基础组件，如python-dev ，matplotlib等，甚至连vi/vim都没有，因此要安装jupyter的话，注意添加相关依赖，若是报错缺包，安装这些包便可。 jupyter安装教程也不少，在此不表。

    启动jupyter后，便可愉快的进行各类实验啦~