Docker里运行本地python脚本

tensorflow示例

很奇怪，我不知道如何以up主的身份连续发表两则笔记，那就用小号发吧，图片在上，解释在下

对于已经获取到的数据，如何在AI和Machine Learning中运用

主要分两步走：训练模型和部署测试

要使用监督学习，用线性回归的方法，对一个或多个自变量之间关系进行建模

首先，

docker run -it --name test01 -v my-store:/home tensorflow/tensorflow bin/bash

运行一个名称为test01的tensorflow/tensorflow类型的容器，在/home路径下创建/ my-store文件夹

pip install --upgrade pip

更新pip文件

pip install matplotlib

安装matplotlib

大约花了一个小时，10kb/s

呜呜呜呜呜呜

再新开一个终端

docker cp D:\下载\人工智能与云计算 id:/home/my-store

将主机的“人工智能与云计算”文件夹关联到home/my-store中

记得运用docker ps -a 查看容器id

千万注意，id和:/之间不要加空格

展示关联效果

回到容器内部的操作终端操作窗口

运用pwd操作查看当前路径

运用ls操作查看当前路径下的文件

运用cd操作实行路径跳转

chmod a+x lreg.py

给lreg.py文件添加执行权限

python lreg.py

以python文件执行lreg.py

这里不知道为什么本地路径的文件夹没显示，那就直接去docker里面保存吧

初次执行完的效果

想要更改lreg.py代码时，由于更改本地文件没有用（你可以试试，删去一个文件再ls，它仍会显示，而且名称前会带 ' 标记已删除），所以只能修改完文件后重新关联文件夹

我在本地新建了一个文件夹，里面放置了5个配置不同的lreg文件，再将新文件夹的路径关联到容器里（可以试试 不新创建 能不能更新原文件夹内的文件，我没试过）

为每个文件添加权限，再分别执行脚本

测试结果：

↑原始

learning_rate = 10

learning_rate = 100

Training cost = nan Weight = nan bias = nan

training_epochs = 3000

np.random.seed(505)

tf.set_random_seed(505)