最近由于实验室项目多次需要用到docker，现在算是大致了解docker了，确实是一个相当好用的工具。这里打算把docker的应用场景、基本用法做一个总结。不过因为才接触没多久，必然会有理解错误的地方。
docker能解决什么
想象下面几个场景（其中几个就是我之前实际遇到的场景）：
场景1
你们作为一个外包团队，给某公司（甲方）做了一个web应用。这个web应用包含相当多的依赖库，并且对各个库的版本十分敏感，一个不对，可能就会各种报错。现在你们已经把这个web应用开发完毕并且本地测试完毕，将要交付。
其中一个（naive的）选择就是把软件包拷给对方，然后告诉对方需要的依赖库和版本，让对方自己配置、部署。但是很可能对方没有相关的技术人员，不懂怎么配置依赖，从而出现各种问题。
那么此时就可以将软件包和软件包运行需要的所有依赖全部配置好，打包成一个docker image交给对方。那么只要保证部署的服务器上安装有docker，通过load image、run image两步命令即可一键成功部署。通过这种方式交付的docker image中已经包含有各种依赖包，因此就不需要部署人员再配置环境了，并且由于打包好的docker image已经通过了本地的部署测试，那么将整体转移到新的服务器中也必然能部署成功。
场景2
你计划开发一个个人博客，并且部署在线上。但是部署的服务器有一定的使用期限，比如3年后需要收回。因此你希望在服务器到期后，将你的博客整体迁移到另一台服务器中。但是你又担心在迁移的过程中会发生数据丢失的情况。
那么这种情况下，就可以使用docker来部署服务。在迁移时，只需要将原先运行中（那个时刻）的docker容器导出，就可以迁移到新的服务器上，在原先运行的基础上继续运行，而不会丢失任何已经持久化了的数据。并且不需要重新再配置环境，整个过程相当便捷、友好。
场景3
你实验室的GPU服务器上安装的cuda版本为9.0，但是你要跑一个程序，它需要的cuda环境是cuda-10.0（9.0会冲突并报错）。
此时一种方法是：你可以联系服务器管理员，要求将服务器的cuda版本升级为10.0。但是这么做一是很麻烦，需要联系管理员重新配置环境；二是有潜在的风险，可能会影响到在服务器上运行的其他程序：它们原本兼容cuda9.0，运行得好好的，但由于你突然把cuda升级到了10.0，就不兼容报错了。
因此一种更好的做法就是使用docker，在docker里面配置好cuda10.0的环境，把需要跑的程序放到docker里面去跑。因为docker容器和外部的宿主机是完全隔离的，就不会影响到在服务器（宿主机）上运行的其他程序了。
docker是什么
我的直观理解：docker就相当于是运行在宿主机上的一个虚拟机。使用这个虚拟机能够将外部（宿主机）的环境隔离开来从而创建一个新的、专为应用定制的环境。同时docker还提供了许多方便的功能，能够十分方便地：a) 对docker容器做更改、提交成新的镜像；b) 将docker镜像打包成一个文件进行移植；c) 将docker镜像上传到云端（docker hub）；d) 从云端应用其他人已经创建好了的docker镜像。
docker的基本概念和常用命令
容器（container）和镜像（image）
容器和镜像是docker中的两个基本概念。镜像是静态的，持久化了的，类似于我们装系统时候使用的windows10的镜像。而容器可以理解为是动态的，是启动后处于运行或终止状态的虚拟机。通过相同的一个镜像可以创建多个容器，正如一份相同的windows10镜像可以为多台计算机安装操作系统一样。你可以通过docker container ls（或docker ps）和docker image ls（或docker images）分别查看当前的容器和镜像列表。
标签（tag）
镜像的标签就相当于为镜像取的一个名字（别名）。如果你新创建了一个镜像，但是没有给它打标签，那么你只能用IMAGE ID（镜像的sha256码）来表示这个镜像。但一般我们创建的镜像都是有实际的需求、含义的（这个镜像用来做啥？），所以为了好记，可以为镜像加上标签。
标签的格式是：[REPOSITORY]:[TAG]，例如某个版本的pytorch镜像的tag可能是：pytorch:1.0.1-cuda10.0-cudnn7-devel。
Docker Hub
Docker Hub，链接为https://hub.docker.com/，是docker官方提供的一个存放镜像的云端。用户可以再里面搜索一些第三方公司官方发布的docker镜像（例如tensorflow、pytorch、python的各个版本的image），也可以把自己创建的镜像传到上面。
常用命令
docker image ls: 查看所有镜像docker container ls: 查看所有容器docker run --workdir /app --expose 5000 --publish 80:5000 [IMAGE ID] /bin/bash start.sh: 通过镜像启动容器，运行命令为/bin/bash start.sh，将其工作目录设置为/app，开放容器的5000端口，将5000端口映射到宿主机的80端口。docker exec -it [CONTAINER ID] /bin/bash: 通过bash进入到某个docker容器中docker tag [IMAGE ID] [REPOSITORY]:[TAG]: 为某一个容器打标记docker save -o [OUTPUT FILE] [IMAGE ID]: 将镜像导出成文件docker load -i [INPUT FILE]: 将文件加载为镜像docker commit -m [MESSAGE] [CONTAINER ID] [REPOSITORY]:[TAG]: 将容器提交为新的镜像docker login: 登陆docker hubdocker pull [REPOSITORY]:[TAG]: 从docker hub拉取镜像到本地docker push [REPOSITORY]:[TAG]: 将本地的镜像推送到docker hub上
nvidia-docker
如果需要在docker容器中使用到GPU（CUDA、CUDNN）的一些命令时，需要把docker [COMMAND]替换成nvidia-docker [COMMAND]。它本质上是在原生docker上提供的一层封装，使得docker容器中能够适配GPU资源（这部分我还不太懂，没有深究）。