Docker 容器化技术完全指南

行知SLAM

345人浏览 · 2026-05-12 09:57:32

行知SLAM · 2026-05-12 09:57:32 发布

写给算法工程师的话：在日常工作中，你可能会经常遇到这样的情况——拿到一个项目，里面有 Dockerfile，知道要运行 docker build 和 docker run，但看到 Dockerfile 里的指令就头疼，出错时更是无从下手。本指南专为你而写，不讲底层原理，只讲怎么用、怎么写、怎么排查问题。

Docker 核心概念（5分钟速通）
- 1.1 镜像、容器、仓库是什么
- 1.2 为什么算法工程师需要 Docker
- 1.3 Docker vs 虚拟机 vs Conda
Docker 常用命令速查表
- 2.1 镜像操作命令
- 2.2 容器操作命令
- 2.3 常用参数详解
Dockerfile 编写指南
- 3.1 核心指令一览表
- 3.2 常用 Dockerfile 模板
- 3.3 编写最佳实践
如何看懂现有 Dockerfile
- 4.1 阅读顺序与方法
- 4.2 逐行解读示例
常见问题排查指南
- 5.1 网络问题（拉取慢/超时）
- 5.2 GPG 密钥错误
- 5.3 权限问题
- 5.4 磁盘空间不足
- 5.5 GPU 不可用
实战：从零写一个算法环境 Dockerfile
总结：快速自查清单

一、Docker 核心概念（5分钟速通）

1.1 镜像、容器、仓库是什么

用租房来类比，你就能轻松理解 Docker 的核心概念：

概念	技术术语	通俗理解	算法场景类比
镜像	Image	房子的设计图纸	一个包含 Ubuntu + CUDA + PyTorch 的压缩包文件
容器	Container	按照图纸建出来的房子	镜像运行起来后的隔离环境，可以同时启动多个
仓库	Registry	存放图纸的档案馆	Docker Hub，类似 GitHub 但存的是镜像
Dockerfile	Dockerfile	如何制作图纸的说明书	描述环境搭建步骤的文本文件

一句话总结：

从 Dockerfile 出发 → 构建出镜像（静态的文件）
运行镜像 → 得到容器（动态的进程）

1.2 为什么算法工程师需要 Docker？

看看这些场景你是否遇到过：

痛点 1 - 环境不一致:
  - 你说："在我电脑上能跑啊"
  - 同事说："我这边报错了"
  - 服务器说："缺少 libxxx.so"
  → Docker 解决：保证环境一模一样

痛点 2 - 环境配置麻烦:
  - 要装：CUDA 11.7、cuDNN 8、PyTorch 2.0、OpenCV 4.5、MMCV...
  - 还要：编译一些 C++ 库
  → Dockerfile 解决：写一次配置，所有人都能用

痛点 3 - 实验环境冲突:
  - 项目 A 需要 PyTorch 1.8
  - 项目 B 需要 PyTorch 2.0
  → 容器隔离解决：每个项目有自己的独立环境

痛点 4 - 复现困难:
  - 论文代码发布了，但环境配置没写清楚
  → Docker 镜像解决：直接拉镜像就能跑

1.3 Docker vs 虚拟机 vs Conda

特性	Docker	虚拟机 (VM)	Conda 环境
启动速度	秒级	分钟级	毫秒级
磁盘占用	MB~GB	GB~几十 GB	依赖共享
系统隔离	共享宿主机内核	完全隔离	仅隔离 Python 包
GPU 支持	✅ 原生支持	需要 GPU 虚拟化	✅ 原生支持
系统级依赖	✅ 可以装任何系统库	✅ 完整系统	❌ 只有 Python 包
学习成本	中等	较低	很低

选择建议：

只用 Python 包 → Conda 环境就够了
需要系统库（如 OpenCV、CUDA、Boost）→ 用 Docker
需要完整复现论文环境 → 用 Docker
需要部署到云服务器 → 用 Docker

二、Docker 常用命令速查表

2.1 镜像操作

# 查看本地所有镜像
docker images
docker image ls

# 搜索镜像（在 Docker Hub 上）
docker search pytorch

# 拉取镜像
docker pull ubuntu:20.04
docker pull pytorch/pytorch:2.0.0-cuda11.7-cudnn8-runtime

# 删除镜像
docker rmi <镜像ID或名称>
docker rmi -f <镜像名>      # 强制删除

# 查看镜像详细信息
docker inspect <镜像名>

# 导出/导入镜像（用于离线传输）
docker save -o myimage.tar myimage:tag
docker load -i myimage.tar

# 查看镜像构建历史（看镜像每层做了什么）
docker history myimage:tag

2.2 容器操作

# ========== 运行容器 ==========
# 交互式运行（最常用，进入容器内部操作）
docker run -it ubuntu:20.04 /bin/bash

# 后台运行
docker run -d --name myapp nginx

# 运行后自动删除（适合临时测试）
docker run -it --rm python:3.9 python -c "print('hello')"

# 带 GPU 支持运行
docker run -it --gpus all pytorch/pytorch:2.0.0-cuda11.7 /bin/bash

# ========== 查看容器 ==========
docker ps                     # 查看运行中的容器
docker ps -a                  # 查看所有容器（包括已停止的）
docker ps -a --format "table {{.Names}}\t{{.Status}}\t{{.Image}}"  # 自定义格式

# ========== 进入运行中的容器 ==========
docker exec -it <容器名> /bin/bash    # 最常用，新开一个 shell
docker attach <容器名>                # 附加到主进程

# ========== 容器的生命周期 ==========
docker stop <容器名>                  # 停止容器
docker start <容器名>                 # 启动已停止的容器
docker restart <容器名>               # 重启容器
docker rm <容器名>                    # 删除容器（需要先停止）
docker rm -f <容器名>                 # 强制删除（不需要停止）

# ========== 查看容器信息 ==========
docker logs <容器名>                  # 查看日志
docker logs -f <容器名>               # 实时跟踪日志
docker inspect <容器名>               # 查看容器详细信息
docker stats                         # 查看所有容器资源占用

2.3 常用参数详解

docker run 命令有很多参数，记住这几个就够了：

docker run [参数] 镜像名 [命令]

参数                      # 说明
-it                       # 交互式运行（一定要加，否则进不去）
-d                        # 后台运行（守护模式）
--rm                      # 容器退出时自动删除（强烈推荐：避免一堆僵尸容器）
--name <名字>             # 给容器起个名字，方便管理

-p 8080:80               # 端口映射：主机:容器
-v /host/path:/container/path  # 挂载目录：让宿主机和容器共享文件
--gpus all                # 使用所有 GPU（需要 nvidia-docker）
-w /workspace            # 设置工作目录（进入容器默认在这个目录）
-e KEY=value             # 设置环境变量

--network host           # 使用宿主机网络（网络性能更好）
--privileged             # 特权模式（访问宿主机设备）
--shm-size 2G            # 设置共享内存大小（PyTorch DataLoader 需要）

实战示例：

# 算法工程师最常用的运行命令
docker run -it --rm \
    --gpus all \
    --name my_exp \
    -v $PWD:/workspace \
    -w /workspace \
    --shm-size 4G \
    my-pytorch-image:latest \
    /bin/bash

三、Dockerfile 编写指南

3.1 核心指令一览表

指令	用途	示例
`FROM`	指定基础镜像（第一行必须是它）	`FROM ubuntu:20.04`
`RUN`	构建时执行命令（每行会创建一层）	`RUN apt-get install -y python3`
`COPY`	复制文件到镜像	`COPY ./requirements.txt /app/`
`ADD`	增强版 COPY（支持 URL 和自动解压）	`ADD https://xxx.tar.gz /tmp/`
`WORKDIR`	设置工作目录（后面的命令都在此目录执行）	`WORKDIR /app`
`ENV`	设置环境变量（运行时也存在）	`ENV CUDA_VISIBLE_DEVICES=0`
`ARG`	构建参数（只在构建时存在）	`ARG VERSION=1.0`
`CMD`	容器启动默认命令（可被覆盖）	`CMD ["python", "train.py"]`
`ENTRYPOINT`	容器启动固定命令（不可被覆盖）	`ENTRYPOINT ["python"]`
`EXPOSE`	声明容器监听的端口（文档作用）	`EXPOSE 8080`
`VOLUME`	声明挂载点	`VOLUME /data`
`USER`	切换用户（安全起见不要用 root）	`USER appuser`

RUN、CMD、ENTRYPOINT 的区别（最容易混淆）：

指令	执行时机	能否被 `docker run` 覆盖
`RUN`	`docker build` 时	否
`CMD`	`docker run` 时	✅ 可以
`ENTRYPOINT`	`docker run` 时	❌ 不能

# 示例理解
CMD ["python", "train.py"]
# docker run myimage           → 执行 python train.py
# docker run myimage python app.py → 执行 python app.py（覆盖 CMD）

ENTRYPOINT ["python"]
CMD ["train.py"]
# docker run myimage           → 执行 python train.py
# docker run myimage app.py    → 执行 python app.py（覆盖 CMD）

3.2 算法工程化典型 Dockerfile 模板

模板1：PyTorch 训练环境

# 1. 选择基础镜像（官方 PyTorch 已包含 CUDA + cuDNN）
FROM pytorch/pytorch:2.0.0-cuda11.7-cudnn8-runtime

# 2. 设置环境变量（避免交互式询问）
ENV DEBIAN_FRONTEND=noninteractive
ENV TZ=Asia/Shanghai

# 3. 更换 apt 源为国内源（加速下载）
RUN sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list

# 4. 安装系统依赖
RUN apt-get update && apt-get install -y \
    libgl1-mesa-glx \      # OpenCV 需要
    libglib2.0-0 \         # OpenCV 需要
    ffmpeg \               # 视频处理
    git \
    vim \
    && rm -rf /var/lib/apt/lists/*   # 清理缓存，减小镜像体积

# 5. 复制依赖文件并安装 Python 包
COPY requirements.txt /tmp/
RUN pip install --no-cache-dir -r /tmp/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 6. 复制项目代码
COPY . /workspace/

# 7. 设置工作目录
WORKDIR /workspace

# 8. 设置容器启动命令
CMD ["python", "train.py"]

模板2：Ubuntu + CUDA 最小环境

FROM nvidia/cuda:11.7.1-devel-ubuntu20.04

ENV DEBIAN_FRONTEND=noninteractive

# 换源
RUN sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list

# 安装基础工具
RUN apt-get update && apt-get install -y \
    python3.9 \
    python3-pip \
    git \
    cmake \
    build-essential \
    && rm -rf /var/lib/apt/lists/*

# 创建软链接
RUN ln -s /usr/bin/python3.9 /usr/bin/python

# 安装 Python 包
RUN pip3 install --upgrade pip && \
    pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu117

# 设置工作目录
WORKDIR /workspace

CMD ["/bin/bash"]

模板3：多阶段构建（减小镜像体积）

# 阶段1：编译阶段（大体积，包含编译工具）
FROM ubuntu:20.04 AS builder

RUN apt-get update && apt-get install -y build-essential cmake

COPY . /src
RUN cd /src && mkdir build && cd build && cmake .. && make

# 阶段2：运行阶段（小体积，只复制编译好的文件）
FROM ubuntu:20.04

RUN apt-get update && apt-get install -y libstdc++6

COPY --from=builder /src/build/myapp /usr/local/bin/

CMD ["myapp"]

3.3 编写最佳实践

最佳实践清单:
  ✅ 1. 合并 RUN 命令:
      # 错误（产生多层）
      RUN apt-get update
      RUN apt-get install -y python3
      RUN apt-get clean
      
      # 正确（只有一层）
      RUN apt-get update && \
          apt-get install -y python3 && \
          apt-get clean && \
          rm -rf /var/lib/apt/lists/*

  ✅ 2. 清理缓存:
      - 每执行 apt-get install 后都要 rm -rf /var/lib/apt/lists/*
      - pip install 加 --no-cache-dir

  ✅ 3. 利用 Docker 缓存:
      - 把不容易变化的命令放前面（安装依赖）
      - 把容易变化的命令放后面（复制代码）

  ✅ 4. 指定版本号:
      - 不要写 FROM ubuntu:latest（可能不稳定）
      - 写 FROM ubuntu:20.04

  ✅ 5. 使用 .dockerignore:
      - 和 .gitignore 类似，排除不需要的文件
      - 排除 .git、__pycache__、.idea 等

  ✅ 6. 非 root 用户运行:
      RUN useradd -m appuser && \
          chown -R appuser:appuser /workspace
      USER appuser

四、如何看懂现有 Dockerfile

4.1 阅读顺序与方法

Dockerfile 是从上往下执行的，阅读时按顺序看每一行：

第一行看 FROM：知道基于什么系统
看 ENV：了解环境变量
看 RUN：知道装了什么东西
看 COPY/ADD：知道复制了什么文件
看 WORKDIR：知道工作目录
看 CMD/ENTRYPOINT：知道容器启动做什么

4.2 逐行解读示例

以一个常见的问题 Dockerfile 为例（就是你在构建中遇到的那个）：

# 第1行：基础镜像
FROM osrf/ros:melodic-desktop-full
# 解读：基于 ROS Melodic 完整版（Ubuntu 18.04）

# 第2-3行：环境变量
ENV DEBIAN_FRONTEND=noninteractive
# 解读：防止 apt-get 弹出交互式对话框

# 第4-5行：换源（加速下载）
RUN sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list
# 解读：把 Ubuntu 官方源换成阿里云镜像

# 第6-8行：系统依赖安装
RUN apt-get update && apt-get install -y \
    wget cmake build-essential git \
    && rm -rf /var/lib/apt/lists/*
# 解读：安装基础编译工具

# 第9-11行：ceres-solver 安装
WORKDIR /home/thirdParty
RUN wget https://github.com/ceres-solver/ceres-solver/archive/1.14.0.tar.gz
# 解读：下载并编译安装 ceres-solver（非线性优化库）

# 第12-14行：用户配置
RUN useradd -m cidi && echo 'cidi:1' | chpasswd
USER cidi
# 解读：创建普通用户，切换到该用户（安全考虑）

4.3 怎么看镜像里有什么？

# 方法1：查看镜像历史（每层做了什么）
docker history myimage:tag --no-trunc

# 方法2：运行容器进去看
docker run -it myimage:tag /bin/bash
ls -la
pip list
# 或者把文件拷贝出来看
docker cp container:/path/to/file ./

# 方法3：查看镜像元数据
docker inspect myimage:tag | grep -A 10 "Cmd"

五、常见问题排查指南

5.1 网络问题（拉取慢/超时）

现象：

Error response from daemon: Get https://registry-1.docker.io/v2/: net/http: request canceled

解决方案：

# 方案1：配置国内镜像源
sudo mkdir -p /etc/docker
sudo tee /etc/docker/daemon.json <<EOF
{
    "registry-mirrors": [
        "https://docker.mirrors.ustc.edu.cn",
        "https://hub-mirror.c.163.com"
    ]
}
EOF
sudo systemctl restart docker

# 方案2：构建时使用 host 网络
docker build --network=host -t myimage .

# 方案3：手动拉取后重命名（如果 Docker Hub 拉不下来）
docker pull docker.mirrors.ustc.edu.cn/library/ubuntu:20.04
docker tag docker.mirrors.ustc.edu.cn/library/ubuntu:20.04 ubuntu:20.04

5.2 GPG 密钥错误

现象：

W: GPG error: http://snapshots.ros.org ... InRelease: The following signatures were invalid: EXPKEYSIG
E: The repository '...' is not signed.

解决方案：

# 方案1：删除有问题的源
RUN rm -f /etc/apt/sources.list.d/ros1-snapshots.list 2>/dev/null || true

# 方案2：更新密钥
RUN apt-key adv --keyserver keyserver.ubuntu.com --recv-keys AD19BAB3CBF125EA

# 方案3：忽略 GPG 检查（临时方案）
RUN apt-get update --allow-insecure-repositories || true && \
    apt-get install -y --allow-unauthenticated <包名>

5.3 权限问题

现象：

Permission denied
cannot create directory: Permission denied

解决方案：

# 方案1：切回 root 用户（构建时）
USER root

# 方案2：创建目录后修改权限
RUN mkdir -p /workspace && chmod 777 /workspace

# 方案3：使用正确的用户（推荐）
RUN useradd -m -s /bin/bash appuser
USER appuser

5.4 磁盘空间不足

现象：

no space left on device

解决方案：

# 查看 Docker 占用
docker system df

# 清理空间
docker system prune -a      # 删除所有未使用的
docker container prune       # 删除停止的容器
docker image prune -a        # 删除未使用的镜像
docker volume prune          # 删除未使用的卷

# 迁移 Docker 数据目录（如果 /var 分区小）
sudo systemctl stop docker
sudo mv /var/lib/docker /home/docker_data
sudo ln -s /home/docker_data /var/lib/docker
sudo systemctl start docker

5.5 GPU 不可用

现象：

CUDA error: no CUDA-capable device is detected
torch.cuda.is_available() 返回 False

解决方案：

# 方案1：安装 nvidia-container-toolkit
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-get update && sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker

# 方案2：运行容器时加 --gpus all
docker run -it --gpus all pytorch/pytorch /bin/bash

# 方案3：指定使用哪些 GPU
docker run -it --gpus '"device=0,1"' pytorch/pytorch /bin/bash

5.6 容器启动就退出

现象：
容器启动后立刻退出

原因：
容器没有前台进程在运行

解决方案：

# 方案1：交互式运行（加 -it）
docker run -it myimage /bin/bash

# 方案2：后台运行一个长期进程
docker run -d myimage tail -f /dev/null

# 方案3：在 Dockerfile 中确保 CMD 是前台进程
CMD ["python", "train.py"]    # ⭕ 前台运行
# CMD ["service", "start"]    # ❌ 后台启动会退出

5.7 常用调试技巧

# 技巧1：临时运行一个容器调试
docker run -it --rm ubuntu:20.04 /bin/bash
# 然后在容器里手动执行命令，看哪一步出错

# 技巧2：查看构建失败的层
docker build --no-cache -t myimage .
# 报错会显示是哪一层，可以用这个 ID 进入
docker run -it <上一层镜像ID> /bin/bash

# 技巧3：查看构建历史
docker history myimage:tag --no-trunc

# 技巧4：保存构建日志
docker build --network=host -t myimage . 2>&1 | tee build.log

六、实战：从零写一个算法环境 Dockerfile

场景需求

你要训练一个点云分割模型，需要：

Ubuntu 20.04 + CUDA 11.7 + PyTorch 2.0
Open3D、numpy、scipy
系统库：libgl1（Open3D 需要）

步骤1：确定基础镜像

去 Docker Hub 搜索 pytorch，找到官方镜像：

pytorch/pytorch:2.0.0-cuda11.7-cudnn8-runtime

这个镜像已经包含了 CUDA、cuDNN、PyTorch。

步骤2：编写 Dockerfile

# 1. 基础镜像
FROM pytorch/pytorch:2.0.0-cuda11.7-cudnn8-runtime

# 2. 设置环境变量（避免交互）
ENV DEBIAN_FRONTEND=noninteractive
ENV TZ=Asia/Shanghai

# 3. 换源（加速）
RUN sed -i 's/archive.ubuntu.com/mirrors.aliyun.com/g' /etc/apt/sources.list

# 4. 安装系统依赖
RUN apt-get update && apt-get install -y \
    libgl1-mesa-glx \
    libglib2.0-0 \
    git \
    vim \
    && rm -rf /var/lib/apt/lists/*

# 5. 安装 Python 包
COPY requirements.txt /tmp/
RUN pip install --no-cache-dir -r /tmp/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 6. 复制代码
COPY . /workspace/

# 7. 设置工作目录
WORKDIR /workspace

# 8. 默认命令
CMD ["python", "train.py"]

步骤3：创建 requirements.txt

numpy
open3d
scipy
tqdm

步骤4：构建镜像

docker build --network=host -t pointcloud-seg:latest .

步骤5：运行容器

docker run -it --rm \
    --gpus all \
    -v $PWD:/workspace \
    pointcloud-seg:latest \
    /bin/bash

七、总结：快速自查清单

构建失败时（docker build）

□ 1. 网络问题？→ 加 --network=host 或配置国内镜像
□ 2. GPG 错误？→ 删除有问题的源或更新密钥
□ 3. 找不到文件？→ 检查 COPY 路径是否正确
□ 4. 权限问题？→ 加 USER root 或修改权限
□ 5. 磁盘不足？→ docker system prune -a

运行失败时（docker run）

□ 1. 容器秒退？→ 加 -it 交互式运行
□ 2. GPU 不可用？→ 加 --gpus all
□ 3. 端口冲突？→ 换一个主机端口 -p 8081:80
□ 4. 挂载不生效？→ 检查路径是绝对路径
□ 5. 进不去容器？→ 用 docker exec -it 进入

Dockerfile 编写规范

□ 1. FROM 指定具体版本（不用 latest）
□ 2. 多个 RUN 合并成一个
□ 3. 安装后清理缓存
□ 4. 利用 .dockerignore 排除不需要的文件
□ 5. 考虑使用非 root 用户运行

记住这 5 个最常用的命令

# 1. 构建镜像
docker build -t myimage:tag .

# 2. 运行容器（算法工程师最常用）
docker run -it --rm --gpus all -v $PWD:/workspace myimage:tag /bin/bash

# 3. 进入运行中的容器
docker exec -it <容器名> /bin/bash

# 4. 查看所有容器
docker ps -a

# 5. 清理空间
docker system prune -a

最后的话：Docker 并不难，关键是理解"镜像=静态文件，容器=运行进程"这个概念。遇到问题时，记住：先看报错信息，然后用 docker run -it --rm 交互式调试，最后用 docker exec 进入容器排查。熟练之后，你会发现 Docker 是算法工程化的最佳伙伴。

亚马逊云科技技术品牌专区

更多推荐

基于STM32的全屋环境智能监测与预警终端设计

亚马逊云科技技术品牌专区

Keras：面向人类的深度学习库

Keras3支持多后端（TensorFlow、PyTorch、JAX），通过设置环境变量切换，兼容指定版本。pip安装后可用Sequential API快速构建CNN模型，如MNIST分类示例，实

亚马逊云科技技术品牌专区

AI行业日报｜2026-09-25：5个热点事件

本期行业动态聚焦于端侧算力重构、自主智能体工作流、开发工具经济模型、网络隔离架构设计与公共部门合规审查。以下结合一线技术场景进行结构化梳理，供 AI 研究员与软件工程团队参考。 PrismML 正将其轻量级语言模型适配至搭载高通处理器的智能眼镜终端 1 。该平台的核心战略指向开源权重模型的本地化运行，旨在最大化挖掘穿戴设备现有算力的利用效率 1 。对于嵌入式与边缘计算开发者而言，此类微型模型向低功

亚马逊云科技技术品牌专区

所有评论(0)

查看更多评论

行知SLAM

@qq_15258067

已为社区贡献2条内容

Docker 容器化技术完全指南

行知SLAM

目录

一、Docker 核心概念（5分钟速通）

1.1 镜像、容器、仓库是什么

1.2 为什么算法工程师需要 Docker？

1.3 Docker vs 虚拟机 vs Conda

二、Docker 常用命令速查表

2.1 镜像操作

2.2 容器操作

2.3 常用参数详解

三、Dockerfile 编写指南

3.1 核心指令一览表

3.2 算法工程化典型 Dockerfile 模板

模板1：PyTorch 训练环境

模板2：Ubuntu + CUDA 最小环境

模板3：多阶段构建（减小镜像体积）

3.3 编写最佳实践

四、如何看懂现有 Dockerfile

4.1 阅读顺序与方法

4.2 逐行解读示例

4.3 怎么看镜像里有什么？

五、常见问题排查指南

5.1 网络问题（拉取慢/超时）

5.2 GPG 密钥错误

5.3 权限问题

5.4 磁盘空间不足

5.5 GPU 不可用

5.6 容器启动就退出

5.7 常用调试技巧

六、实战：从零写一个算法环境 Dockerfile

场景需求

步骤1：确定基础镜像

步骤2：编写 Dockerfile

步骤3：创建 requirements.txt

步骤4：构建镜像

步骤5：运行容器

七、总结：快速自查清单

构建失败时（docker build）

运行失败时（docker run）

Dockerfile 编写规范

记住这 5 个最常用的命令

所有评论(0)

温馨提示：您尚未绑定手机号

行知SLAM