按照本文的步骤一步一步做完，你就可以实现将本地代码通过docker上传到阿里云镜像上，以及通过docker从阿里云镜像下拉代码到本地中运行。

一、docker的安装和云端的推送

1.本地安装docker工具

ubutun环境下

1输入以下代码以安装docker工具

sudo apt install docker.io

2.安装Nvidia-docker，为自己的docker做GPU服务器环境搭建

# Add the package repositories
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

centos环境下

注：以下内容部分选取了：linux centos7 docker GPU服务器环境搭建，如果前面安装过程遇到问题，可以按照原文操作从头来一遍。
1.卸载旧版本（如果没有可忽略）

sudo yum remove docker \
                  docker-client \
                  docker-client-latest \
                  docker-common \
                  docker-latest \
                  docker-latest-logrotate \
                  docker-logrotate \
                  docker-engine

2.下载安装包

sudo yum install -y yum-utils
sudo yum-config-manager \
    --add-repo \
    https://download.docker.com/linux/centos/docker-ce.repo

3.做相关配置

sudo yum-config-manager --enable docker-ce-nightly
sudo yum-config-manager --enable docker-ce-test

4.安装docker Engine

sudo yum install docker-ce docker-ce-cli containerd.io

5.启动docker

sudo systemctl start docker

6.验证docker是否安装成功

sudo docker run hello-world

按下图所示输出表示安装成功

7.安装Nvidia-docker
7.1安装依赖

sudo yum install dnf
sudo dnf install -y tar bzip2 make automake gcc gcc-c++ vim pciutils elfutils-libelf-devel libglvnd-devel iptables

7.2安装docker CE

sudo yum-config-manager --add-repo=https://download.docker.com/linux/centos/docker-ce.repo
sudo yum repolist -v
sudo yum install -y https://download.docker.com/linux/centos/7/x86_64/stable/Packages/containerd.io-1.4.3-3.1.el7.x86_64.rpm
sudo yum install docker-ce -y
sudo systemctl --now enable docker
sudo docker run --rm hello-world
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
   && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.repo | sudo tee /etc/yum.repos.d/nvidia-docker.repo
sudo yum clean expire-cache
sudo yum install -y nvidia-docker2
sudo systemctl restart docker
sudo docker run --rm --gpus all nvidia/cuda:10.1-base nvidia-smi

以下输出表示docker的NVIDIA驱动安装成功

2.创建镜像仓库

这里以申请阿里云容器镜像服务（免费），并创建仓库为例，其他仓库如dockerhub、谷歌、亚马逊、腾讯等详见对应产品说明书。我们建议用阿里云容器镜像服务。
阿里云容器服务地址为https://cr.console.aliyun.com，注册开通后产品页面如下：

第一步切换标签页到命名空间，创建地址唯一的命名空间
在选择地域时，可以按照距离自己最近的地方

下一步，选择本地仓库，不建议其他选项，完成创建。
点击管理，可查看详情。
详情页如下，有基本的操作命令，仓库地址一般使用公网地址即可。
注意一下 如果是后面docker登录时，用到的用户名就是阿里云帐号，密码要自己在信息中生成，如下图
按照页面的指令在本地完成登陆:

export DOCKER_REGISTRY= your_registry_url<docker registry url> 
docker login $DOCKER_REGISTRY \ 
       --username your_username \ 
       --password your_password

注：上面代码中的your_registry_url是下图中红框部分的内容
your_username是你申请阿里云容器时给你的账号，一般都是：aliyun12435543…形式
your_password是你的密码

3.构建docker镜像，并push到云端

所需文件的准备

我们需要先把自己的项目生成docker镜像，最后通过push提交到云端。
新建一个目录用来构建docker镜像，这里为了演示，使用’cbc_test’来命名：
①bert.py：自己项目的源代码
②requirement.txt：在bert.py文件所在目录下，使用 pip freeze > requirements.txt 命令将自己项目所依赖的包导出，名字为requirement.txt，打开如下图，

④Dockerfile文件：首先打开当前目录的终端，输入

vim Dockerfile

然后在Dockerfile文件里输入

# 基于的基础镜像
FROM python:3.8.12
# 将自己的项目文件复制到容器的 /code 目录下
ADD . /code
# 设置code文件夹是工作目录
WORKDIR /code
# 安装支持
RUN pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html
RUN pip install -r requirements.txt
# Run hello.py when the container launches
CMD ["python", "bert.py"]

这里的两个RUN pip都是为我们要上传的镜像做环境配置，包括代码运行需要的所有包
⑤model.pth，MASKED_IN.fasta等等：运行代码所需要的所有其他文件

将上面提到的5个文件等复制到cbc_test目录下，如下图所示：

镜像的构建和PUSH到云端

在刚刚的cbc_test目录的终端下，执行命令

sudo docker build -t [ImageId] .

这里的[ImageId]表示你在本地构建的镜像，比如你希望本地的镜像名是project，那么这段代码就可以改为

sudo docker build -t project .

注：最后有个‘.’不要省略，直接复制我的代码即可。
当按照下文提示完成后，本地镜像就构建好了
输入

sudo docker images

可以查看刚才本地构建的所有镜像
最后将本地的镜像push到云端（阿里云镜像）

sudo docker tag [ImageId] $DOCKER_REGISTRY:[镜像版本号]
sudo docker push $DOCKER_REGISTRY:[镜像版本号]

这里的$DOCKER_REGISTRY我们在前面已经设置过了（创建镜像仓库那里有提到），[ImageId]的设置还是和之前一样（这里指的是你希望上传的本地镜像），镜像版本号可以自己设定（比如你是第一次发布该镜像，那么可以设置为v1.0，第二次就是v2.0。当然你也可以设置成latest，如果不设置好像默认也是latest）
比如我下面的例子

sudo docker tag project $DOCKER_REGISTRY:latest # 为本地的镜像打标签，注意DOCKER_REGISTRY=registry.cn-beijing.aliyuncs.com/sjh_biocode_space/cbc_test 
sudo docker push $DOCKER_REGISTRY:latest	# 将镜像上传到阿里云

push成功之后，可以在阿里云镜像的网站中查看到刚刚推送的镜像：
至此推送就完成了！

二、云端镜像的本地使用

例如我们刚刚推动上去的镜像中有一个bert.py文件，现在我们的本地有一个pull.sh文件，该文件可以调用名为bert.py的文件，现在我们要用这个pull.sh文件调用云端镜像中的bery.py文件，那么可以在该pull.sh文件所在文件目录中进行如下操作：

bash pull.sh your_usename your_password $DOCKER_REGISTRY:latest

如果前面的步骤都正确的话，那么此时会成功运行bert.py这个文件（不需要我们提前配置环境之类的）

三、附录：docker常用命令的总结

1.镜像的删除

注：删除镜像前必须先停用容器

全部删除

#停用全部运行中的容器:
docker stop $(docker ps -q)
#删除全部容器：
docker rm $(docker ps -aq)
#删除所有镜像
docker rmi -f $(docker images -qa)

部分删除

#停用某个运行中的容器:
docker stop 容器id
#删除某个容器：
docker rm 容器id
#删除某个镜像
docker rmi -f 镜像id

2.进入无法运行的镜像

如果一个镜像有问题，那么在启动这个镜像的容器时，会自动抛出异常然后结束容器，我们无法进入容器对这个镜像进行修改，也即如果一个容器已经stop，那么我们无法通过docker exec进入，会提示：Error response from daemon: Container 837ffa1d4…is not running
下面提供一种解决方案：
找到想要进入的容器id, 假设是 837ffa1d4

#如果是构建镜像时失败可以通过日志找到容器id
docker ps -a
#保存"案发现场"为镜像
docker commit 837ffa1d4 user/temp
#这里随便起一个镜像名称就行.
#启动新容器
docker run -it user/temp sh

3.问题记录

docker 运行ImportError: libtinfo.so.5: cannot

运行下面代码

yum update
yum install libgl1-mesa-glx
yum -c /etc/yum.conf --installroot=/usr/local --releasever=/  install love

查看镜像能否使用GPU

运行下面代码

sudo docker run --rm --gpus all nvidia/cuda:10.1-base nvidia-smi

弹出GPU信息则表示可以使用GPU

dockerfile文件

dockerfile文件中的RUN pip后面是主代码运行所需要安装的环境，如果requirement.txt中不全的话，可以自己加入需要的环境对应的包，以及这些包的源，如下所示

RUN pip install -r requirements.txt # 这是安装自动生成的requirement.txt里的包
RUN pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html  # 这是自己补充的包，最后的网站是这些包的源