1.为Python应用选择最好的源译Docker镜像
2.从源码build Tensorflow2.6.5的记录
为Python应用选择最好的Docker镜像
在Python应用的部署过程中，选择适合的码编Docker镜像是一项关键任务。早期，源译virtualenvwrapper曾是码编Python包管理的常用工具，但随着Python 3的源译普及，venv逐渐成为首选。码编源码是php文件然而，源译随着项目复杂性的码编提升，Docker的源译重要性日益凸显，尤其是码编在集成Redis消息队列和Psycopg PostgreSQL数据库等场景下。
在构建Docker镜像时，源译我们通常从基础镜像如Alpine、码编Ubuntu、源译CentOS或Debian出发。码编elasticsearch 源码解析然而，源译选择哪一种并非易事。首先，我们需要考虑镜像是否提供长期支持（LTS），以确保软件的稳定性和维护周期。长期支持意味着软件更新更可靠，且降低了部署风险和中断时间。
对于Ubuntu、CentOS和Debian等传统发行版，它们虽然历史悠久，但预装的Python版本可能不更新。例如，Ubuntu .可能预装的webrtc 源码编译是Python 3.6，而最新的稳定版已经是3.8。为获取最新Python，可能需要自行编译安装，这在某些版本中是必要的，如在CentOS 8中安装Python 3.8。
另一种选择是Docker官方的Python镜像，提供了多个Python版本供选择，这便于管理，但需注意不同版本间可能存在差异。Amazon Linux 2作为云计算环境下的Linux发行版，是AWS官方推荐的，提供了LTS支持和针对性优化，适合生产环境部署。临汾麻将 源码
Alpine由于其轻量级特性，常被用于寻求最小化镜像空间的需求。然而，由于它使用musl库而非glibc，可能导致pip安装的一些依赖无法直接安装，需要源码编译，这使得Alpine的构建时间显著增加，对大规模部署不利。
综上所述，选择Docker镜像时，需综合考虑支持、镜像大小、构建时间等因素。源码安装ffmpeg虽然Alpine在某些情况下可能表现出色，但在生产环境中，考虑到稳定性、长期支持和构建效率，可能还是选择长期支持版本的Linux发行版或官方Python镜像更为合适。实际选择时，根据项目具体需求和限制进行细致评估是关键。
从源码build Tensorflow2.6.5的记录
.从源码编译Tensorflow2.6.5踩坑记录，笔者经过一天的努力，失败四次后终于成功。Tensorflow2.6.5是截至.时，能够从源码编译的最新版本。
0 - 前期准备
为了对Tensorflow进行大规模修改并完成科研工作，笔者有从源码编译Tensorflow的需求。平时更常用的做法是在conda环境中pip install tensorflow，有时为了环境隔离方便打包，会用docker先套住，再上conda + pip安装。
1 - 资料汇总
教程参考：
另注：bazel的编译可以使用换源清华镜像（不是必要）。整体配置流程的根本依据还是官方的教程，但它的教程有些点和坑没有涉及到，所以多方材料了解。
2 - 整体流程
2.1 确定配置目标
官网上给到了配置目标，和对应的版本匹配关系（这张表里缺少了对numpy的版本要求）。笔者最后（在docker中）配置成功的版本为tensorflow2.6.5 numpy1..5 Python3.7. GCC7.5.0 CUDA.3 Bazel3.7.2。
2.2 开始配置
为了打包方便和编译环境隔离，在docker中进行了以下配置：
2. 安装TensorFlow pip软件包依赖项，其编译过程依赖于这些包。
3. Git Tensorflow源代码包。
4. 安装编译工具Bazel。
官网的介绍：（1）您需要安装Bazel，才能构建TensorFlow。您可以使用Bazelisk轻松安装Bazel，并且Bazelisk可以自动为TensorFlow下载合适的Bazel版本。为便于使用，请在PATH中将Bazelisk添加为bazel可执行文件。（2）如果没有Bazelisk，您可以手动安装Bazel。请务必安装受支持的Bazel版本，可以是tensorflow/configure.py中指定的介于_TF_MIN_BAZEL_VERSION和_TF_MAX_BAZEL_VERSION之间的任意版本。
但笔者尝试最快的安装方式是，到Github - bazelbuild/build/releases上下载对应的版本，然后使用sh脚本手动安装。比如依据刚才的配置目标，笔者需要的是Bazel3.7.2，所以下载的文件为bazel-3.7.2-installer-linux-x_.sh。
5. 配置编译build选项
官网介绍：通过运行TensorFlow源代码树根目录下的./configure配置系统build。此脚本会提示您指定TensorFlow依赖项的位置，并要求指定其他构建配置选项（例如，编译器标记）。
这一步就是选择y/N基本没啥问题，其他参考里都有贴实例。笔者需要GPU的支持，故在CUDA那一栏选择了y，其他部分如Rocm部分就是N（直接按enter也可以）。
6.开始编译
编译完成应输出
7.检查TF是否能用
3 - 踩坑记录
3.1 cuda.0在编译时不支持sm_
笔者最初选择的docker是cuda.0的，在bazel build --config=cuda //tensorflow/tools/pip_package:build_pip_package过程中出现了错误。所以之后选择了上面提到的cuda.3的docker。
3.2 问题2: numpy、TF、python版本匹配
在配置过程中，发现numpy、TF、python版本需要匹配，否则会出现错误。
4 - 启示
从源码编译Tensorflow2.6.5的过程，虽然经历了多次失败，但最终还是成功。这个过程也让我对Tensorflow的编译流程有了更深入的了解，同时也提醒我在后续的工作中要注意版本匹配问题。
