dockerfile拉取python3.7镜像

docker构建python3.7镜像:https://zhuanlan.zhihu.com/p/137288195

  1. FROM:需要什么环境

    ENV:修改path,即增加/usr/local/bin这个环境变量

    ADD:将本地代码放到虚拟容器中,它有两个参数,第一个是 .
    ,代表本地当前路径;第二个参数是/code,代表虚拟容器中的路径,即将本地项目的所有内容放到虚拟容器的/code目录下,以便在虚拟容器中运行代码

    WORKDIR:指定工作目录,也就是刚才的/code,在虚拟容器中的目录

    RUN:执行某些环境准备工作,docker容器中只有python3环境,还需要python的库,这里安装那些库

    CMD:运行项目的命令行命令

打开python镜像地址
https://hub.docker.com/_/python
在这里插入图片描述

在这里插入图片描述
点击红色部分出现:
在这里插入图片描述

#
# NOTE: THIS DOCKERFILE IS GENERATED VIA "apply-templates.sh"
#
# PLEASE DO NOT EDIT IT DIRECTLY.
#FROM buildpack-deps:bullseye# ensure local python is preferred over distribution python
ENV PATH /usr/local/bin:$PATH# http://bugs.python.org/issue19846
# > At the moment, setting "LANG=C" on a Linux system *fundamentally breaks Python 3*, and that's not OK.
ENV LANG C.UTF-8# runtime dependencies
RUN set -eux; \apt-get update; \apt-get install -y --no-install-recommends \libbluetooth-dev \tk-dev \uuid-dev \; \rm -rf /var/lib/apt/lists/*ENV GPG_KEY 0D96DF4D4110E5C43FBFB17F2D347EA6AA65421D
ENV PYTHON_VERSION 3.7.13RUN set -eux; \\wget -O python.tar.xz "https://www.python.org/ftp/python/${PYTHON_VERSION%%[a-z]*}/Python-$PYTHON_VERSION.tar.xz"; \wget -O python.tar.xz.asc "https://www.python.org/ftp/python/${PYTHON_VERSION%%[a-z]*}/Python-$PYTHON_VERSION.tar.xz.asc"; \GNUPGHOME="$(mktemp -d)"; export GNUPGHOME; \gpg --batch --keyserver hkps://keys.openpgp.org --recv-keys "$GPG_KEY"; \gpg --batch --verify python.tar.xz.asc python.tar.xz; \command -v gpgconf > /dev/null && gpgconf --kill all || :; \rm -rf "$GNUPGHOME" python.tar.xz.asc; \mkdir -p /usr/src/python; \tar --extract --directory /usr/src/python --strip-components=1 --file python.tar.xz; \rm python.tar.xz; \\cd /usr/src/python; \gnuArch="$(dpkg-architecture --query DEB_BUILD_GNU_TYPE)"; \./configure \--build="$gnuArch" \--enable-loadable-sqlite-extensions \--enable-optimizations \--enable-option-checking=fatal \--enable-shared \--with-system-expat \--with-system-ffi \--without-ensurepip \; \nproc="$(nproc)"; \make -j "$nproc" \
# setting PROFILE_TASK makes "--enable-optimizations" reasonable: https://bugs.python.org/issue36044 / https://github.com/docker-library/python/issues/160#issuecomment-509426916PROFILE_TASK='-m test.regrtest --pgo \test_array \test_base64 \test_binascii \test_binhex \test_binop \test_bytes \test_c_locale_coercion \test_class \test_cmath \test_codecs \test_compile \test_complex \test_csv \test_decimal \test_dict \test_float \test_fstring \test_hashlib \test_io \test_iter \test_json \test_long \test_math \test_memoryview \test_pickle \test_re \test_set \test_slice \test_struct \test_threading \test_time \test_traceback \test_unicode \' \; \make install; \\
# enable GDB to load debugging data: https://github.com/docker-library/python/pull/701bin="$(readlink -ve /usr/local/bin/python3)"; \dir="$(dirname "$bin")"; \mkdir -p "/usr/share/gdb/auto-load/$dir"; \cp -vL Tools/gdb/libpython.py "/usr/share/gdb/auto-load/$bin-gdb.py"; \\cd /; \rm -rf /usr/src/python; \\find /usr/local -depth \\( \\( -type d -a \( -name test -o -name tests -o -name idle_test \) \) \-o \( -type f -a \( -name '*.pyc' -o -name '*.pyo' -o -name '*.a' \) \) \-o \( -type f -a -name 'wininst-*.exe' \) \\) -exec rm -rf '{}' + \; \\ldconfig; \\python3 --version# make some useful symlinks that are expected to exist ("/usr/local/bin/python" and friends)
RUN set -eux; \for src in idle3 pydoc3 python3 python3-config; do \dst="$(echo "$src" | tr -d 3)"; \[ -s "/usr/local/bin/$src" ]; \[ ! -e "/usr/local/bin/$dst" ]; \ln -svT "/usr/local/bin/$src" "/usr/local/bin/$dst"; \done# if this is called "PIP_VERSION", pip explodes with "ValueError: invalid truth value '<VERSION>'"
ENV PYTHON_PIP_VERSION 22.0.4
# https://github.com/docker-library/python/issues/365
ENV PYTHON_SETUPTOOLS_VERSION 57.5.0
# https://github.com/pypa/get-pip
ENV PYTHON_GET_PIP_URL https://github.com/pypa/get-pip/raw/38e54e5de07c66e875c11a1ebbdb938854625dd8/public/get-pip.py
ENV PYTHON_GET_PIP_SHA256 e235c437e5c7d7524fbce3880ca39b917a73dc565e0c813465b7a7a329bb279aRUN set -eux; \\wget -O get-pip.py "$PYTHON_GET_PIP_URL"; \echo "$PYTHON_GET_PIP_SHA256 *get-pip.py" | sha256sum -c -; \\export PYTHONDONTWRITEBYTECODE=1; \\python get-pip.py \--disable-pip-version-check \--no-cache-dir \--no-compile \"pip==$PYTHON_PIP_VERSION" \"setuptools==$PYTHON_SETUPTOOLS_VERSION" \; \rm -f get-pip.py; \\pip --versionCMD ["python3"]

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/478270.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LeetCode 849. 到最近的人的最大距离

1. 题目 在一排座位&#xff08; seats&#xff09;中&#xff0c;1 代表有人坐在座位上&#xff0c;0 代表座位上是空的。 至少有一个空座位&#xff0c;且至少有一人坐在座位上。 亚历克斯希望坐在一个能够使他与离他最近的人之间的距离达到最大化的座位上。 返回他到离他…

可解释性:对神经网络中层特征复杂度的解释与拆分

文 | 任洁&#xff0c;李明杰&#xff0c;刘泽旭源 | 知乎大家好&#xff0c;我们是任洁&#xff0c;李明杰和刘泽旭&#xff0c;本研究是在张拳石老师 Qs.Zhang张拳石 指导下完成的工作。随着深度神经网络的应用日益广泛&#xff0c;可解释性也逐渐受到更多学者的关注。目前对…

新一代开源Android渠道包生成工具Walle

在Android 7.0&#xff08;Nougat&#xff09;推出了新的应用签名方案APK Signature Scheme v2后&#xff0c;之前快速生成渠道包的方式&#xff08;美团Android自动化之旅—生成渠道包&#xff09;已经行不通了&#xff0c;在此应用签名方案下如何快速生成渠道包呢&#xff1f…

领域应用 | 机器知道哪吒是部电影吗?解读阿里巴巴概念图谱AliCG

转载公众号 | PaperWeekly概念是人类认知世界的基石。比如对于“哪吒好看吗&#xff1f;”&#xff0c;“哪吒铭文搭配建议”两句话&#xff0c;人可以结合概念知识理解第一个哪吒是一部电影&#xff0c;第二个哪吒是王者荣耀的英雄。然而机器能理解吗&#xff1f;针对这一问题…

LeetCode 605. 种花问题

1. 题目 假设你有一个很长的花坛&#xff0c;一部分地块种植了花&#xff0c;另一部分却没有。可是&#xff0c;花卉不能种植在相邻的地块上&#xff0c;它们会争夺水源&#xff0c;两者都会死去。 给定一个花坛&#xff08;表示为一个数组包含0和1&#xff0c;其中0表示没种…

美团点评业务风控系统构建经验

本文根据“第八届中国系统架构师大会”演讲内容整理而成。 美团最初以团购的形式出现&#xff0c;到现在有了很大的业务形态转变。尤其是经过与大众点评的业务融合&#xff0c;从单一业务发展成了覆盖到店餐饮、到店综合、猫眼、外卖、酒店、旅游等多个垂直领域的综合性电商&am…

95后程序员晒出工资单:狠补了这个,真香…

作为AI 初学者来说&#xff0c;最大的问题就是&#xff1a;资料太多&#xff01;&#xff01;&#xff01;看不完&#xff01;&#xff01;&#xff01;不知道如何取舍&#xff01;&#xff01;&#xff01;人的精力有限&#xff01;&#xff01;&#xff01;大部分想转行AI算法…

领域应用 | 小米在知识表示学习的探索与实践

转载公众号 | DataFunTalk导读&#xff1a;知识表示是知识获取与应用的基础&#xff0c;贯穿了小米知识图谱的构建与应用。本文将结合小米知识图谱的构建及小爱问答场景&#xff0c;介绍融合文本和知识图谱的知识表示学习方法&#xff0c;以及知识表示在知识图谱补全、实体链接…

LeetCode 563. 二叉树的坡度(DFS)

1. 题目 给定一个二叉树&#xff0c;计算整个树的坡度。 一个树的节点的坡度定义即为&#xff0c;该节点左子树的结点之和和右子树结点之和的差的绝对值。空结点的的坡度是0。 整个树的坡度就是其所有节点的坡度之和。 示例:输入: 1/ \2 3输出: 1 解释: 结点的坡度 …

多模态为什么比单模态好?第一份严谨证明来了!

文 | 橙橙子面试官: 听说你对多模态感兴趣&#xff0c;请问为什么多模态学习要比单模态学习效果好&#xff1f;候选人: 直观地&#xff0c;多模态学习可以聚合多源数据的信息&#xff0c;使得模型学习到的表示更加完备。以视频分类为例&#xff0c;同时使用字幕标题等文本信息、…

推荐:26种NLP练手项目(代码+数据)

1.分词 Word Segmentation chqiwang/convseg &#xff0c;基于CNN做中文分词&#xff0c;提供数据和代码。 对应的论文Convolutional Neural Network with Word Embeddings for Chinese Word Segmentation IJCNLP2017. 2.词预测 Word Prediction Kyubyong/word_prediction &…

会议交流 | 最新NLP核心技术与前沿实践分享!

2021年7月10日&#xff0c;09:00-18:10&#xff0c;DataFunSummit&#xff1a;自然语言处理峰会将如约而至&#xff0c;本次峰会由3位主席和6位出品人精心策划而来&#xff0c;邀请来自业界的40余位嘉宾从NLP基础技术、语义表示与计算、多模理解与生成、信息抽取与检索、人机对…

LeetCode 504. 七进制数(进制转换)

1. 题目 给定一个整数&#xff0c;将其转化为7进制&#xff0c;并以字符串形式输出。 示例 1: 输入: 100 输出: "202"示例 2: 输入: -7 输出: "-10" 注意: 输入范围是 [-1e7, 1e7] 。来源&#xff1a;力扣&#xff08;LeetCode&#xff09; 链接&#xf…

领域应用 | 常识性概念图谱建设以及在美团场景中的应用

转载公众号 | 美团技术团队常识性概念图谱&#xff0c;是围绕常识性概念建立的实体以及实体之间的关系&#xff0c;同时侧重美团的场景构建的一类知识图谱。本文介绍了美团常识性概念图谱构建的Schema&#xff0c;图谱建设中遇到的挑战以及建设过程中的算法实践&#xff0c;最后…

美团数据库中间件DBProxy开源

随着数据量的不断增大&#xff0c;传统的直连数据库对数据进行访问的方式已经无法满足一般公司的需求。通过数据库中间件&#xff0c;可以对数据库进行水平扩展&#xff0c;由原来单台数据库扩展到多台数据库&#xff0c;数据库中间件通过路由规则将数据的访问请求路由到其中一…

不卷学术了,这次卷一波NLP实战落地经验

作为最典型的 AI 领域之一&#xff0c;NLP 这些年也是越来越热门&#xff0c;基本上是各大厂必备了。随着 OpenAI 等技术的诞生、迁移学习等技术的成功应用&#xff0c;使得 NLP 技术在搜索、推荐、信息流、互联网金融、社交网络等领域不断发展壮大。与此同时&#xff0c;NLP 工…

docker挂载文件躺过的坑

Docker 实现挂载的三种方式 docker: Error response from daemon: OCI runtime create failed: container_linux.go:348: starting container process caused “exec: “-v”: executable file not found in $PATH”: unknown. 看着启动成功了&#xff0c;但查日志启动失败 日…

美团团购订单系统优化记

团购订单系统简介 美团团购订单系统主要作用是支撑美团的团购业务&#xff0c;为上亿美团用户购买、消费提供服务保障。2015年初时&#xff0c;日订单量约400万~500万&#xff0c;同年七夕订单量达到800万。 目标 作为线上S级服务&#xff0c;稳定性的提升是我们不断的追求。尤…

论文浅尝 | emrKBQA: 一个面向临床医疗问答的KBQA数据集

笔记整理 | 谭亦鸣&#xff0c;东南大学博士生来源&#xff1a;BioNLP ’21 workshop, ACL ‘21链接&#xff1a;https://www.aclweb.org/anthology/2021.bionlp-1.7.pdf论文主要包含两个部分的核心工作&#xff1a;emrKBQA数据集&#xff0c;对应的benchmark。基于MIMIC-III …

Fine-tune之后的NLP新范式:Prompt越来越火,CMU华人博士后出了篇综述文章

文 | 刘鹏飞源 | 机器之心CMU 博士后研究员刘鹏飞&#xff1a;近代自然语言处理技术发展的第四范式可能是预训练语言模型加持下的 Prompt Learning。近几年&#xff0c;NLP 技术发展迅猛&#xff0c;特别是 BERT 的出现&#xff0c;开启了 NLP 领域新一轮的发展。从 BERT 开始&…