核心就三步：装好Docker和NVIDIA Container Toolkit、拉取tensorflow/tensorflow:2.13.0-gpu等官方镜像、运行docker run --gpus all -p 8888:8888 -v $(pwd)/notebooks:/tf/notebooks镜像启动Jupyter环境，内置Python、CUDA、cuDNN及TensorBoard，无需手动配置。
直接用 Docker 运行 TensorFlow 环境，核心就三步：装好 Docker 和 GPU 支持工具、拉取合适镜像、启动容器并验证。不需要手动装 CUDA、cuDNN 或 Python 包，官方镜像已全部预配好。
确保宿主机基础环境就绪
先确认系统已安装 Docker 引擎（≥19.03），执行 docker --version 查看版本。若未安装，Ubuntu/Debian 用户可运行：
- sudo apt-get update && sudo apt-get install docker-ce docker-ce-cli containerd.io
- sudo systemctl enable --now docker
如需 GPU 加速，必须额外安装 NVIDIA Container Toolkit（不是旧版 nvidia-docker2）。关键步骤包括：
- 宿主机已装好匹配的 NVIDIA 驱动（建议 ≥535 版本）
- 添加 NVIDIA 软件源并安装 nvidia-container-toolkit
- 重启 Docker：sudo systemctl restart docker
- 验证 GPU 可见：docker run --rm --gpus all nvidia/cuda:11.8-runtime-ubuntu22.04 nvidia-smi
选择并拉取合适的 TensorFlow 官方镜像
TensorFlow 官方镜像托管在 Docker Hub（tensorflow/tensorflow），按用途分几类：
- CPU 开发：tensorflow/tensorflow:2.13.0-jupyter（含 JupyterLab，适合快速实验）
- GPU 训练：tensorflow/tensorflow:2.13.0-gpu（含 CUDA 11.8 + cuDNN 8.6，适配主流显卡）
- 轻量服务：tensorflow/tensorflow:2.13.0-slim（无 Jupyter，体积小，适合部署）
拉取命令示例：docker pull tensorflow/tensorflow:2.13.0-gpu。镜像约 4–5 GB，首次拉取需一定时间。
启动容器并挂载必要资源
启动时注意三点：端口映射、目录挂载、GPU 分配。常用命令结构如下：
- 启动带 Jupyter 的开发环境：docker run -it --gpus all -p 8888:8888 -v $(pwd)/notebooks:/tf/notebooks tensorflow/tensorflow:2.13.0-jupyter
- 启动纯训练环境（后台运行）：docker run -d --gpus all -v /data:/workspace -w /workspace tensorflow/tensorflow:2.13.0-gpu python train.py
说明：
- --gpus all 启用全部 GPU；也可指定单卡，如 --gpus device=0
- -v 将本地代码/数据目录挂载进容器，确保训练结果不丢失
- -p 8888:8888 映射 Jupyter 端口，浏览器访问 http://localhost:8888 即可使用
验证 TensorFlow 是否正常工作
进入容器后，执行简单检查即可确认环境可用：
- 运行 python -c "import tensorflow as tf; print(tf.__version__, tf.config.list_physical_devices('GPU'))"
- 输出应显示版本号（如 2.13.0）和 GPU 设备列表（非空表示 GPU 已识别）
- 若只看到 CPU 设备，请回查 NVIDIA Container Toolkit 是否安装正确、nvidia-smi 在宿主机是否可用
TensorBoard 也已内置，只需在代码中写入 log_dir，并将容器 6006 端口映射到宿主机，即可通过 http://localhost:6006 实时查看训练曲线。
