【Docker 系列2】Docker 全能宝典：开发中最常见问题，一步步教你解决！

介绍

什么是Docker

Docker 是一个开源的容器化平台，用于自动化应用程序的部署。它包装软件及其依赖项到一个标准化的单元中，用于软件开发。使用 Docker 的主要场景包括：

• 应用程序的打包和部署：当您需要在不同的环境中一致地部署应用程序时，Docker 是一个理想的选择。它通过容器来确保应用程序在不同的系统和平台上表现一致。
• 微服务架构：对于采用微服务架构的系统，Docker 提供了隔离、快速部署和伸缩性，非常适合于管理和部署微服务。
• CI/CD 流程：Docker 可以很好地集成到持续集成和持续部署（CI/CD）的流程中，实现自动化测试和部署。

为什么用Docker？

• Docker提供了更高级别的隔离（操作系统级别），而 Conda 提供了较低级别（Python/R 环境级别）的隔离。
• Docker 适合部署一些深度学习环境。
  • 服务器CUDA版本不允许升级或降级时，使用Docker可以解决。只要宿主机的 NVIDIA 驱动与容器内部的 CUDA 版本兼容即可正常运行使用GPU的docker容器。
  • 思路：在Windows上搭建基础镜像，连进容器配置环境，通过docker commit保存镜像，再通过docker save导出，迁移到服务器上。
• 有些应用需要在Docker部署，比如coffee AI。
• 网络问题，有了镜像就可以共享给其他人，不需要其他人再下载。

容器和镜像

• 镜像（Image）和容器（Container）的关系，就像是面向对象程序设计中的类和实例一样。
• 镜像是静态的定义，容器是镜像运行时的实体。容器可以被创建、启动、停止、删除、暂停等。

Dockerfile

Docker 可以通过读取 Dockerfile创建一个镜像，Dockerfile 是一个文本文档，其中包含用户可以在命令行上调用和组合镜像的所有命令。
Dockerfile常见命令：

• FROM：Dockerfile必须从From开始，它为容器设置最基础的镜像
• WORKDIR：我们的工作目录，为后面的RUN等指令设置工作目录
• RUN：运行指令
• COPY：把Dockerfile所在目录的一些文件拷贝到工作空间
• EXPOSE：容器在运行时侦听的端口，它只是声明容器运行时需要监听的端口号，需要使用 docker run 命令的 -p 参数来将容器端口映射到宿主机上。比如-p 8080:80，表示将容器的 80 端口映射到宿主机的 8080 端口上。
• HEALTHCHECK：告诉 Docker 如何测试容器以检查它是否仍在工作
• ENTRYPOINT：配置容器，里面包括了可以run的py文件，也包括了run指令，可以让容器创建时去运行某些指令

写Dockerfile的注意事项，随时补充

1. From的镜像可以选择更基础的镜像。
2. pip 后面增加 –no-cache-dir，减少缓存。
3. 在同一个RUN里不同的命令经常用 && 来连接这是一种常见的做法，主要有以下几个原因：
4. 减少图层： Dockerfile 中的每个 RUN 指令都会创建一个新的图层。通过使用 && 将多个命令连接在一起，可以减少生成的图层的数量。这样做的好处是创建更小、更简洁的镜像，并且可能提高构建速度。
5. 确保所有命令都成功执行： 当使用 && 时，如果一个命令失败（返回非零退出状态），整个 RUN 指令将失败并停止执行。这意味着如果 apt update 失败，紧随其后的 apt install 不会执行。这是一种保护措施，以确保不会在部分更新的或不一致的状态下构建镜像。
6. 清洁和优化： 通过在一个 RUN 指令中连接多个命令，您可以在完成必要的安装和配置后立即进行清理（例如，删除临时文件或清除缓存）。这有助于保持镜像的大小尽可能小。
7. apt install 后面 rm -rf /var/lib/apt/lists/*。

常用命令

查看docker所有命令

docker commond --help

镜像操作

查看docker所有镜像

docker images

下载镜像，Tag表示版本，有些镜像的版本显示latest，为最新版本

docker pull 镜像名:TAG

删除镜像

docker rmi 镜像名:TAG

使用国内源来拉取镜像，将registry.docker-cn.com填写到镜像名前。

1. Docker中国区官方镜像：https://registry.docker-cn.com
2. 网易：http://hub-mirror.c.163.com
3. ustc：https://docker.mirrors.ustc.edu.cn
4. 中国科技大学：https://docker.mirrors.ustc.edu.cn
5. 阿里云容器 生成自己的加速地址：登录：cr.console.aliyun.com
   windows 可以直接在设置里填入加速的地址。

{"registry-mirrors":["https://reg-mirror.qiniu.com/"]}

获取镜像的元信息，获取镜像的详细信息，包括存放地址等等

docker inspect 镜像名:TAG

从本地的压缩包里导入镜像

docker load -i 压缩包名

或者

docker load < 压缩包所在路径

使用Dockerfile构建镜像，.表示Dockerfile所在路径，-t表示镜像名和TAG

docker build -t 镜像名:TAG .

如果 Dockerfile 文件不在当前目录中，或者 Dockerfile 文件的名称不是 Dockerfile，则可以使用 -f 参数来指定 Dockerfile 文件的路径和名称。

容器操作

运行容器

docker run --name 容器名 -i -t -p 主机端口:容器端口 -d -v 主机目录:容器目录:ro 镜像ID或镜像名:TAG

• -i：表示以交互模式运行容器
• -t：表示分配一个伪终端
• -p：表示将主机的端口映射到容器的端口
• -d：表示容器运行后处于后台
• -v：表示挂载主机目录到容器目录，ro表示只读
• –name：表示容器名
• 镜像ID或镜像名:TAG：表示镜像名和TAG

容器列表

docker ps -a -q

• docker ps查看正在运行的容器
• -a 查看所有容器（运行中、未运行）
• -q 只查看容器的ID
• -as 查看容器占用存储空间
  启动容器

  docker start 容器ID

  停止容器

  docker stop 容器ID

  删除容器

  docker rm -f 容器ID或容器名

• -f 表示强制删除
• -v 表示删除容器时删除挂载的卷
• -a 表示删除所有容器
• -l 表示删除容器时删除关联的链接
• -p 表示删除容器时删除关联的端口
• -s 表示删除容器时删除关联的网络
• -t 表示删除容器时删除关联的定时任务
• -u 表示删除容器时删除关联的用户
• -w 表示删除容器时删除关联的网络

  docker container prune # 删除所有没有运行的容器，谨慎操作

  进入运行容器

  docker exec -it 容器ID /bin/bash

• 进入正在运行的容器并且开启交互模式终端
• /bin/bash是固有写法，作用是因为docker后台必须运行一个进程，否则容器就会退出，在这里表示启动容器后启动
  bash。
• 也可以用docker exec在运行中的容器执行命令

查看容器使用的资源

docker stats 命令会每隔 1 秒钟刷新一次输出的内容直到按下 ctrl + c

输出的主要内容：

• [CONTAINER]：以短格式显示容器的 ID。
• [NAME]：容器名称
• [CPU %]：CPU 的使用情况。
• [MEM USAGE / LIMIT]：当前使用的内存和最大可以使用的内存。
• [MEM %]：以百分比的形式显示内存使用情况。
• [NET I/O]：网络 I/O 数据。
• [BLOCK I/O]：磁盘 I/O 数据。
• [PIDS]：PID 号。

  docker stats
  docker stats --no-stream # 只显示一次资源情况，不实时跟踪

制作Docker镜像

两种方式，一种是根据已有镜像使用docker commit构建，另一种是根据已有镜像使用Dockerfile构建。

根据已有镜像使用docker commit构建

这一方法的核心是docker commit

• docker commit可以从容器创建一个新的镜像。
• 通过对运行中的容器进行更改，然后使用 docker commit 命令，可以将容器的当前状态保存为新镜像。
• 这种方法适用于快速的实验，但不推荐用于生产环境，因为：
  • docker commit不会明确记录构建过程，缺乏可重复性和透明性，会产生所谓的黑箱镜像。
  • 在容器中执行命令，会有很多文件被改动或添加。安装软件包、编译构建，那会有大量的无关内容被添加进来，将会导致镜像极为臃肿。
  • 简单的Python训练环境，可以用这个方法图方便，快速构建镜像。
    思路：

1. 先拉取已有的镜像。
2. 使用镜像运行容器后，在容器内安装项目需要的Python依赖。
3. 将整个容器通过docker commit指令制作成镜像。
4. 导出镜像，在服务器上导入。

拉取已有镜像

官方Pytorch镜像：https://github.com/pytorch/pytorch#docker-image
也可以从docker hub里找到官方Pytorch镜像：https://hub.docker.com/r/pytorch/pytorch/tags
https://hub.docker.com/r/pytorch/pytorch/tags

同样的pytorch和cuda版本会有两种镜像，分别是devel和runtime镜像，区别如下：
devel 镜像：

• 用途：devel（开发）镜像包含了编译和运行 CUDA 应用所需的所有依赖，包括编译器和开发工具。
• 适用场景：如果您需要编译使用 CUDA 的自定义操作或者需要编译整个 PyTorch 源代码，那么 devel 镜像是必需的。
• 大小：由于包含更多的开发工具和库，devel 镜像通常比 runtime 镜像大很多。
  runtime 镜像：
• 用途：runtime（运行时）镜像仅包含运行基于 CUDA 的应用程序所必需的库和工具。
• 适用场景：如果您只需要运行已经编译好的 CUDA 应用程序，而不需要进行额外的编译或开发工作，runtime 镜像就足够了。
• 大小：相较于 devel 镜像，runtime 镜像更小，因为它不包含额外的编译工具和库。
  我们也可以用其他人发布的可靠的镜像：https://github.com/cnstark/pytorch-docker
  这里我选择的镜像是：cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04，它包括了一个ubuntu22.04操作系统，python3.10，gpu版本的pytorch2.0.1和cuda11.8。
  
  拉取镜像

  docker pull cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

  通过docker images可以看到，已经成功拉取了镜像。
  
  介绍镜像的网址一般会给出使用的方法，也就是创建容器的参数，我使用了cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04这个镜像，它的用法和pytorch给的docker容器是一样的。
  
  即：

  docker run -it --rm \
      --gpus all \
      --net host 
      -v /path/to/project:/path/to/project \
      -v /path/to/dataset:/path/to/dataset \
      cnstark/pytorch:[TAG]

运行容器

在Windows系统的Windows PowerShell中，用反引号`表示换行。如果要在命令行中使用反斜杠\来进行换行，需要在\字符后面再加上一个空格，否则反斜杠\就会被解释为一个转义字符。

docker run -it --rm `
    --gpus all `
    --net host `
    -v E:/Project/Diffusion/DiffTraj-main:/app `
    cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

Ubuntu系统，使用反斜杠\进行换行，使用下面的命令：

docker run -it --rm \
    --gpus all \
    --net host 
    -v E:/Project/Diffusion/DiffTraj-main:/app \
    cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

这些参数很重要！！！

• -it：前台运行容器，关了终端就关闭容器了。这个参数表示启用交互式终端，也就是让您能够与容器进行交互。-i表示交互式，-t表示分配一个伪终端。
• -dit：后台运行容器，并启用交互式终端，也就是让您能够与容器进行交互。-d表示后台运行，-i表示交互式，-t表示分配一个伪终端。
• –rm：这个参数表示容器退出后自动删除容器文件系统，这样可以防止容器文件系统占用过多的磁盘空间。
  • 在Docker容器退出时，默认容器内部的文件系统仍然被保留，以方便调试并保留用户数据。
  • 在Docker Desktop里暂停掉–rm的容器后，会自动把这个容器删除，所以有时候可以不加上。
• –gpus all：这个参数表示将所有的GPU都分配给容器使用。这个参数需要在安装了NVIDIA驱动和Docker的情况下才能生效。
• –net host：这个参数表示容器将使用主机网络，这意味着容器将与主机共享网络命名空间，可以访问主机上的网络设备和服务。
• -v E:/Project/Diffusion/DiffTraj-main:/app：这个参数表示将主机上的E:/Project/Diffusion/DiffTraj-main目录挂载到容器内的/app目录中，这样容器就可以访问主机上的这个目录。
• cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04：这个参数表示要使用的Docker镜像的名称和标签。在这个例子中，使用的是cnstark/pytorch镜像的2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04标签，这个镜像包含了PyTorch深度学习框架和CUDA工具包，可以在容器中运行深度学习任务。
  如果之后项目里的文件比较多，建议使用挂载的方式，挂载可以让容器和宿主机共享数据。当你将宿主机上的目录或文件挂载到容器中时，容器中的该目录或文件就会和宿主机上的目录或文件保持同步，它们之间的修改都会相互影响。
  执行好docker run后，可以看到，我们已经运行了容器并且启动了交互式终端。

执行好docker run后，可以看到，我们已经运行了容器并且启动了交互式终端。

如果我们进入app目录，会看到我们的项目已经被成功挂载了。

我们输入pip list和python –version，可以看到这个容器已经安装了py3.10.11-cuda11.8.0。

安装依赖

我们拉取的镜像里只包含了最纯净的pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04，根据我们要部署的应用，可能还需要有一些依赖包需要我们手动安装。
我们可以写一个或者生成一个requirement.txt用于安装我们项目需要的其他依赖，我在目录里创建一个requirement.txt后，可以看到app目录也会有这个文件，这就是挂载的含义。

colored==2.2.4
matplotlib==3.8.0

这里我用pip补充安装了两个包colored==2.2.4和matplotlib==3.8.0。

导出镜像

先不关闭原来的docker终端，另外新建一个终端，通过docker ps可以看到我们的容器正在运行，容器的ID是a563dee1debf。

接着我们使用docker commit命令去创建一个镜像：

docker commit CONTAINER ID REPOSITORY:TAG

• CONTAINER ID表示容器ID，通过docker ps查询
• REPOSITORY:TAG表示生成的容器名和标签，可以任意命名
  这里我使用如下命令：

  docker commit a563dee1debf difftraj:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

  通过docker images可以看到，已经创建了这个镜像。
  
  我们可以根据这个镜像创建一个容器进行验证

  docker run -it --rm `
      --gpus all `
      --net host `
      -v E:/Project/Diffusion/DiffTraj-main:/app `
      difftraj:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

  直接python main.py，发现可以运行，说明在这个镜像里已经把训练模型需要的包安装好了。
  

打包镜像

我们使用docker save命令保存镜像，在Ubuntu中，可以使用gzip进行压缩：

docker save REPOSITORY:TAG |gzip > 镜像名

这里使用命令：

docker save difftraj:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04 |gzip > difftraj_images.tar.gz

如果在windows中，可以使用下面的命令，修改成自己的路径，导出可能要一两分钟。这里将镜像名设置为difftraj_image.tar，并保存到E:\Project\Diffusion\DiffTraj-main目录。
如果要导出到windows上进行导入，后缀可以用tar，如果要导出到linux上进行导入，后缀可以用tar.gz

docker save difftraj:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04 -o E:\Project\Diffusion\DiffTraj-main\difftraj_image.tar

注意导出镜像的时候，用使用镜像的名字和TAG，不要用镜像ID，否则在导入镜像的时候，镜像的名字和TAG都会为空，需要重新命名，重新命名命令如下：

docker tag [镜像id] [新镜像名称]:[新镜像标签]

导入镜像

Ubuntu使用如下命令：

docker load < 压缩包所在路径

Windows使用如下命令：

docker load -i 压缩包所在路径

根据已有镜像使用Dockerfile构建

这一方法的核心是创建Dockerfile

• 使用Dockerfile创建镜像是比较标准的流程，推荐使用这种方法
  • Dockerfile里面的一些命令。
  • Docker创建镜像时的上下文含义。
    思路：

1. 先创建Dockerfile，使用From命令选择基于什么镜像。
2. 根据自己的需求，在Dockerfile里使用RUN命令安装各种依赖。
3. 使用docker build创建镜像。
4. 使用docker run创建容器。运行一下代码，测试镜像里的依赖是否满足项目的要求，如果还缺少依赖，则回到第二步，在Dockerfile里使用RUN补充安装依赖。
5. 导出镜像，在服务器上导入。

创建Dockerfile

在使用Dockerfile构建镜像时，由于Docker的原理，我们一般会将 Dockerfile 置于一个空目录下，或者项目的根目录下。
这里以轨迹扩散模型的项目为例子，完整的Dockerfile如下，我们用到了 FROM WORKDIR COPY 和 RUN 这四个命令。

FROM cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

WORKDIR /app

COPY requirements.txt /app

RUN pip install --no-cache-dir -r requirements.txt

# （可选）复制当前目录下的其他文件到容器的 /app 目录
COPY . /app

# （可选）设置容器启动时执行的命令
CMD ["python", "your_script.py"]

From命令：Dockerfile必备的第一条指令，指定基础镜像，可以是服务类的镜像nginx、redis、mongo、mysql、httpd、php、tomcat，也可以是操作系统镜像ubuntu、debian、centos、fedora、alpine。

From命令如果选择了很大的基础镜像，那最后制作的docker镜像占的空间也会很大。

FROM cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

WORKDIR命令：设置后续指令的工作目录，一般写在COPY和RUN前面。
然后通过WORKDIR命令，确定工作目录。

WORKDIR /app

COPY命令：将文件复制到镜像的指定目录中中。
接着通过COPY命令，将复制requirements.txt到镜像里的工作目录/app。

COPY requirements.txt /app

RUN命令：RUN命令可以像Shell脚本一样执行命令，后面的内容和直接在命令行中输入的命令是一样的。
最后通过RUN命令，执行pip命令，安装Python项目的依赖。

RUN pip install --no-cache-dir -r requirements.txt

我们也可以这么写，直接用RUN去执行pip命令安装我们需要的包。

# 使用 cnstark/pytorch 镜像作为基础镜像
FROM cnstark/pytorch:2.0.1-py3.10.11-cuda11.8.0-ubuntu22.04

# 设置工作目录
WORKDIR /app

# 使用 pip 安装所需的包
RUN pip install --no-cache-dir colored==2.2.4 matplotlib==3.8.0

创建镜像

理解 docker build 的工作原理

• Docker 在运行时分为 Docker 引擎（也就是服务端守护进程）和客户端工具。Docker 的引擎提供了一组 REST API，被称为 Docker Remote API，而如 docker 命令这样的客户端工具，则是通过这组 API 与 Docker 引擎交互，从而完成各种功能。
• 因此，虽然表面上我们好像是在本机执行各种 docker 功能，但实际上，一切都是使用的远程调用形式在服务端（Docker 引擎）完成。也因为这种 C/S 设计，让我们操作远程服务器的 Docker 引擎变得轻而易举。
• 当我们进行镜像构建的时候，并非所有定制都会通过 RUN 指令完成，经常会需要将一些本地文件复制进镜像，比如通过 COPY 指令、ADD 指令等。而 docker build 命令构建镜像，其实并非在本地构建，而是在服务端，也就是 Docker 引擎中构建的。那么在这种客户端/服务端的架构中，如何才能让服务端获得本地文件呢？
• 这就引入了上下文的概念。当构建的时候，用户会指定构建镜像上下文的路径，docker build 命令得知这个路径后，会将路径下的所有内容打包，然后上传给 Docker 引擎。这样 Docker 引擎收到这个上下文包后，展开就会获得构建镜像所需的一切文件。

使用docker build命令，基于Dockerfile构建镜像。

docker build -t test:v1.0 .

• 最后这个点号表示Docker 镜像构建的上下文（Context），就在当前Dockerfile所在的目录。
• 也就是表示，构建这个镜像需要的所有文件，都在这个目录，比如这里的requirements.txt。
• COPY 这类指令中的源文件的路径都是相对路径，所以我们应该把构建镜像需要的文件都复制到上下文目录中。
  

打包镜像

最后使用docker save打包镜像即可，见3.1.5。

使用Dockerfile从0开始构建

创建Dockerfile

Difftraj镜像，指定版本的 PyTorch、Python、CUDA 以及 colored==2.2.4 和 matplotlib==3.8.0。

# 使用 Ubuntu 22.04 作为基础镜像
FROM ubuntu:22.04

# 设置非交互式安装，避免在安装过程中出现提示
ENV DEBIAN_FRONTEND=noninteractive

# 更新软件源并安装 Python 3.10 和 pip
RUN apt-get update && apt-get install -y \
    python3.10 \
    python3-pip \
    && rm -rf /var/lib/apt/lists/*

# 设置 Python 3.10 为默认的 Python 版本
RUN update-alternatives --install /usr/bin/python python /usr/bin/python3.10 1

# 安装 CUDA 11.8.0（这里假设您需要的是 CUDA Toolkit，而不是完整的 NVIDIA 驱动）
# 这里需要找到合适的 CUDA Toolkit 11.8.0 的安装方法，以下仅为示例
RUN apt-get update && apt-get install -y \
    software-properties-common \
    && add-apt-repository ppa:graphics-drivers/ppa \
    && apt-get update \
    && apt-get install -y cuda-toolkit-11-8 \
    && rm -rf /var/lib/apt/lists/*

# 安装 PyTorch 2.0.1（确保这个版本与您的 CUDA 版本兼容）
RUN pip install torch==2.0.1+cu118 -f https://download.pytorch.org/whl/torch_stable.html

# 安装其他必要的 Python 包
RUN pip install colored==2.2.4 matplotlib==3.8.0

# 设置工作目录
WORKDIR /app

# 复制应用代码到工作目录
COPY . /app

# 镜像构建完成后的默认命令
CMD ["python", "your_script.py"]

# 设置标签
LABEL maintainer="yourname@example.com"

下面这个是Steamlit官方用Docker安装教程里给出的Dockerfile，这个Dockerfile安装了git，又从git上clone了streamlit的一个demo。
# /app

FROM python:3.9-slim

WORKDIR /app

RUN apt-get update && apt-get install -y \
    build-essential \
    curl \
    software-properties-common \
    git \
    && rm -rf /var/lib/apt/lists/*

RUN git clone https://github.com/streamlit/streamlit-example.git .

RUN pip3 install -r requirements.txt

EXPOSE 8501

HEALTHCHECK CMD curl --fail http://localhost:8501/_stcore/health

ENTRYPOINT ["streamlit", "run", "streamlit_app.py", "--server.port=8501", "--server.address=0.0.0.0"]

创建镜像

在建立好Dockerfile文件后，使用docker build创建镜像，再使用docker run创建容器。

1. docker build 会根据你写的dockerfile文件创建镜像。
2. docker run 会根据你创建好的镜像运行容器。

创建镜像，-t 表示指定镜像名称为streamlit，-f表示指定目录的Dockfile，这里用的是绝对路径。

docker build -f /home/streamlit/Dockerfile -t streamlit .

创建容器

运行镜像，-p 表示宿主机占用的端口，-v 表示挂载两个目录，–name 表示指定容器名字，方便后续停止，-d表示将容器挂载到后台运行

docker run -p 8501:8501 -v /home/streamlit:/app --name streamlit -d streamlit

浏览器里输入 http://你的服务器IP地址:8501/，即可进入streamlit应用界面，部署完成。
如果之后项目里的文件比较多，建议使用挂载的方式，挂载可以让容器和宿主机共享数据。当你将宿主机上的目录或文件挂载到容器中时，容器中的该目录或文件就会和宿主机上的目录或文件保持同步，它们之间的修改都会相互影响。
比如之后要把镜像里的/app/目录挂载到到硬盘的某个目录，比如/home/streamlit目录，使用 -v 参数即可。这样就不需要在Dockerfile文件里使用COPY命令了。在其中一个目录的修改会影响到另一个目录的修改。

docker run -p 8501:8501 -v /home/streamlit:/app -d streamlit 

注意事项（更新ing）

Docker build 缓存机制

在 docker build 的过程中，Docker 会缓存每一步构建的结果。也就是说，如果你重新执行 docker build 命令时，Docker 会尝试使用缓存来加速构建过程。
Docker 缓存的工作原理：每个 Dockerfile 指令（如 FROM, COPY, RUN 等）都会创建一个新的层，Docker 会缓存每个层的结果。如果 docker build 过程中某个层的指令及内容没有变化，Docker 就会跳过这一步，并使用缓存的层。

1. 确保 Docker 重新复制了修改后的文件
   为了强制 Docker 在构建时重新复制修改后的文件，你可以通过以下几种方法解决缓存问题：
   方法一：使用 –no-cache 标志： 你可以在构建镜像时使用 –no-cache 参数来禁用 Docker 的缓存机制。这会强制 Docker 重新执行所有步骤，包括复制文件、安装依赖等。

   docker build --no-cache -t {name} .

   方法二：手动修改 Dockerfile 来破坏缓存： 另一种方法是通过修改 Dockerfile 的某些部分来强制 Docker 重新构建相关的层。例如，如果你修改了代码文件，并且 COPY 指令复制了这些文件，你可以通过修改 Dockerfile 中相关步骤的顺序或其他内容来“破坏”缓存。
   比如，将 COPY 指令移动到 Dockerfile 的最后，或者在 COPY 之前做一个小的修改（如添加一个临时的 RUN 命令），这样 Docker 会认为该步骤有了变化，并重新执行复制文件的操作。

   # 先执行其他操作
   RUN echo "Temporary change to break cache"
   
   # 再复制修改后的文件
   COPY . /app

   这样，COPY 指令就不会被缓存，因为 Docker 认为文件发生了变化。
2. 重新启动容器时确保使用最新的镜像
   确保在执行 docker run 启动容器时使用的是你刚刚构建的最新镜像。特别是，如果你有多个版本的镜像，可能会不小心启动旧的镜像。
   可以通过以下命令确保使用最新构建的镜像：

   docker run -p 5000:5000 --rm {name}

• –rm：这个选项会在容器停止后自动删除容器，避免你重复使用旧容器。
• imagemagick：确保这指向你最新构建的镜像。

参考文档：

• https://www.cnblogs.com/ExMan/p/13040240.html
• https://docs.docker.com/build/cache/invalidation/

Docker build 网络问题1

如果你利用docker build执行Dockerfile创建镜像时，在第一行命令，例如FROM python:3.9，就遇到了网络错误。但是你检查你的网络连接并没有问题的话，你可以先执行docker pull python:3.9命令拉去基础镜像，然后执行docker build命令继续创建Dockerfile的镜像。（具体原因没搞明白。）