教你用Docker部署TensorFlow环境，入门不踩坑

为什么要用Docker部署TensorFlow？

TensorFlow 是流行的深度学习框架，但直接在服务器上安装往往面临依赖冲突、版本不兼容、环境隔离难等问题。
Docker 通过容器技术，可以让你一键拉取官方封装的 TensorFlow 镜像，秒级获得干净、可复用的运行环境，且不会影响宿主机上的其他软件。

如果你刚接触服务器运维，对 Python 虚拟环境还不太熟悉，用 Docker 部署 TensorFlow 绝对是最省心的选择。

第一步：确认服务器环境和安装Docker

操作系统要求：推荐 Ubuntu 20.04/22.04 LTS 或 CentOS 7/8，内核版本不低于 3.10（Docker 依赖）。
如果你用宝塔面板，建议在面板的“终端”里操作。

安装 Docker（以 Ubuntu 为例）：

# 更新软件包索引
sudo apt update
# 安装依赖
sudo apt install -y apt-transport-https ca-certificates curl software-properties-common
# 添加 Docker 官方 GPG 密钥
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
# 添加 Docker 仓库
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"
# 再次更新并安装 Docker
sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io
# 启动 Docker 并设为开机自启
sudo systemctl start docker
sudo systemctl enable docker

验证 Docker 安装：

sudo docker version

如果看到 Client 和 Server 版本信息，说明 Docker 运行正常。注意：如果是 CentOS，命令基本一致，只是包管理器换为 yum。

第二步：拉取TensorFlow镜像

TensorFlow 官方镜像分为 CPU 版和 GPU 版。

• CPU版（适合没有 NVIDIA GPU 的服务器）：

  sudo docker pull tensorflow/tensorflow:latest

• GPU版（需要宿主机安装 NVIDIA 驱动和 nvidia-docker，后续避坑会讲）：

  sudo docker pull tensorflow/tensorflow:latest-gpu

如果你不确定，先用 CPU 版。拉取完成后可以用 sudo docker images 查看镜像列表。

第三步：启动容器并测试TensorFlow

启动容器时，建议挂载一个本地目录，方便把代码和数据放入容器。

sudo docker run -it --rm \
  -v /home/your_user/tf_workspace:/tf/workspace \
  -p 8888:8888 \
  tensorflow/tensorflow:latest bash

参数说明：

• -it：交互式终端。
• --rm：退出容器后自动删除容器（不保留状态，适合测试）。
• -v：将宿主机的 /home/your_user/tf_workspace 挂载到容器内的 /tf/workspace。
• -p 8888:8888：映射端口（如果你要用 Jupyter Notebook）。

进入容器后，测试 TensorFlow 是否可用：

python -c "import tensorflow as tf; print(tf.__version__)"

正常会输出版本号，例如 2.16.1。

如果想用 GPU 版，确保宿主机已安装 NVIDIA 驱动，并安装 nvidia-docker2（见避坑部分）。
启动命令加 --gpus all：

sudo docker run -it --rm --gpus all \
  -v /home/your_user/tf_workspace:/tf/workspace \
  tensorflow/tensorflow:latest-gpu bash

# 在容器内验证GPU
python -c "import tensorflow as tf; print('GPU可用:', tf.config.list_physical_devices('GPU'))"

如果能列出 GPU 设备，说明 GPU 加速生效。

常见问题与避坑指南

Q1：拉取镜像很慢怎么办？

更换国内镜像源（如阿里云、中科大）。
编辑 /etc/docker/daemon.json（没有则创建）：

{
  "registry-mirrors": ["https://docker.m.daocloud.io", "https://mirror.ccs.tencentyun.com"]
}

保存后 sudo systemctl restart docker 再拉取。

Q2：启动 GPU 容器报错 "could not select device driver"？

原因：未安装 nvidia-docker2。
安装步骤：

# 添加 NVIDIA Docker 仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt update
sudo apt install -y nvidia-docker2
sudo systemctl restart docker

之后再次启动容器即可。

Q3：容器退出后代码数据会丢吗？

不会。
只要挂载了宿主机目录（-v），代码和数据都在宿主机上。
容器本身建议用 --rm 丢弃，下次重新运行即可。

Q4：如何用 Jupyter Notebook 开发？

启动容器时映射端口并指定命令：

sudo docker run -it --rm \
  -v /home/your_user/tf_workspace:/tf/workspace \
  -p 8888:8888 \
  tensorflow/tensorflow:latest

启动后容器内会自动运行 Jupyter，复制输出的 token 地址，在浏览器打开即可。

效果验证：跑一个简单模型

进入容器后，创建一个 Python 文件 test.py：

import tensorflow as tf
from tensorflow.keras import layers

# 构建一个最简单的全连接网络
model = tf.keras.Sequential([
    layers.Dense(128, activation='relu', input_shape=(784,)),
    layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 打印模型结构
model.summary()

执行：python test.py，如果看到模型参数摘要，说明 TensorFlow 部署成功，可以正式开始你的深度学习项目了。

如果你在操作中遇到其他问题，优先检查 Docker 版本和镜像标签，大部分报错都可以通过搜索引擎加上错误代码定位。
祝部署顺利！