返回信息流我们在做机器学习时，总要遇到比如买了新gpu的事，我想了在新机器上搭建环境的三种途径，哪种途径才是最合理的？
1.不用docker,直接搭所有环境。我觉得这样部署虽然麻烦，但能最大程度利用机器，并且好像我见过的大多数人都这么搭的
2.在机器上搭一个docker，这个docker镜像里包含所有应用。我觉得这样部署最简单
3.每一个应用用一个docker镜像盛，每个docker都是从dockerhub上下载的针对该应用的镜像。我看有些文章说应该这样搭，但我觉得这样太复杂了。
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #36143同步于 2020/2/2
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
在新机器上搭建环境，哪种方式才是最正确的
mengliluohua
2020/2/2镜像同步12 回复
订阅后，新回复会通过你的通知中心匿名送达。
9 条回复
个人愚见，如果多人开发，统一用docker，这样就不会出现同一个程序别人能跑你不行的情况，只用把镜像拉一份就可以解决所有环境问题了。自己一个人的话其实无所谓吧
多人使用情况下 安装nvidia-docker dockerhub上有一个专门的ml镜像 里面基本包含了所有ml框架 让每个人基于该镜像起个容器做为自己的开发环境 每个人在自己的容器里随便折腾。
个人使用的话conda就可以了
【 在 mengliluohua (昨夜闲潭梦落花) 的大作中提到: 】
: 我们在做机器学习时，总要遇到比如买了新gpu的事，我想了在新机器上搭建环境的三种途径，哪种途径才是最合理的？
: 1.不用docker,直接搭所有环境。我觉得这样部署虽然麻烦，但能最大程度利用机器，并且好像我见过的大多数人都这么搭的
: 2.在机器上搭一个docker，这个docker镜像里包含所有应用。我觉得这样部署最简单
: ...................