Docker迁移学习及其他

起因:

有在一台服务器A上通过docker搭建git服务,由于某些原因需要将其迁移到另一台服务器B。

过程:

最终采用方式:

首先通过docker ps(-a) 查看目标容器,然后通过commit命令将其提价为一个镜像,通过save命令将镜像转换为文件,将该文件从A上转移到B上,B上需要已经安装docker,通过load命令将文件转换为镜像,然后通过run启动镜像即可。

用到的命令有:

docker ps

docker commit -m "提交信息" -a "指定作者"

docker save  -o 【保存文件名字 】 【待保存的镜像】

在另一台服务器上

docker load -i 【保存文件名字】

然后就可以通过run命令启动了。

经验教训总结:

1,最开始用的export,结果目标机器上无法启动。搜索了解到export作用是持久化容器,save是持久化镜像,save保存的数据会更完整一些。

参考:https://www.cnblogs.com/shynshyn/p/7917468.html

2,先做的是从服务器A上通过ftp下载到本地,然后上传到服务器B上,但是对上传下载限速不一样,B的上传速度远远大于下载速度,第一次export失败后,第二次save出来的tar文件直接在B上sftp通过ftp命令获得,

需要设定当前目录,通过ftp get即可

sftp [目标服务器ip]

输入密码

lcd [存储目录]

ftp get [文件名字]

即可。

3,忘记了之前容器启动的命令,不记得当初怎么启动起来的了,搜到说通过docker inspect能够查看到,不过不够直观, 最好能够直接记录下来,在需要的时候直接查询复制。

docker run -idt  --name="指定名字" -p [外部端口]:[内部端口]   [镜像名字] [启动命令]

4,docker attache 【dockerid】进入docker内部,退出的时候通过ctrl+p ctrl+q,可以让容器继续跑。

结果:

可以在B上直接访问,所有账户数据等和在A上一样。

如果设置域名访问,只需要修改域名指向即可,对于使用完全没有区别。

其他:

1,大半个月前做的git服务器迁移,今天需要重新制作whatsns,结果之前做的记录没了,记性差,只能重新搜索尝试在做了一遍。之前完成后就想着写个博客记录下,拖延症到了现在, 而且做的记录丢了,不考虑隐私等问题,网络上的可靠性远远大于自己保存的数据,以后临时笔记可以考虑通过有道云笔记记录,每隔一段时间整理一下,可以公开的东西保存到博客上。

2,whatsns,一个开源的问答系统,有开源版和收费版、商业版,对于个人记录一些知识来说,开源版挺好用的。之前已经有在一个docker上运行跑起来,现在需要另一个docker来做其他用途, 类似docker迁移,只不过免去了image-》file-》image的过程。不过第二个docker mysql启动一直失败,一系列尝试后最终参考如下解决问题:

mysqld --initialize --user=mysql --basedir=/home/software/mysql --datadir=/home/software/mysql/dat
mysqld_safe --defaults-file=/home/software/mysql/my.cnf 

参考:https://blog.csdn.net/kohang/article/details/80076570

重置mysql后无法登陆,修改whatsns_user下的账户密码即可。

update whatsns_user set password = "XXX where uid="1";

之后可以登录,修改设置,更新缓冲模板等,就可以正常使用了。

application/config/config.php中设置域名,域名直接设为字符串

$yuming="XXX"即可

很多东西感觉深入下去都好多内容,还好这个东西对于我来说只是一个工具,所以暂且不求甚解,锤子能用就好了,接下来好好敲钉子。

原文地址:https://www.cnblogs.com/youdias/p/10662262.html

时间: 2024-08-30 01:43:03

Docker迁移学习及其他的相关文章

细说Mammut大数据系统测试环境Docker迁移之路

欢迎访问网易云社区,了解更多网易技术产品运营经验. 前言 最近几个月花了比较多精力在项目的测试环境Docker迁移上,从最初的docker"门外汉"到现在组里的同学(大部分测试及少数的开发)都可以熟练地使用docker环境开展测试工作,中间也积累了一些经验和踩过不少坑,借此2017复盘的机会,总结一下整个环境的搭建过程,希望可以给其他有志于向docker迁移的项目提供些许参考,同时也想跟其他docker的老司机们一起探讨改进方式. Docker迁移的必要性 这篇文章不对docker的基

在Windows环境中开始Docker的学习和体验

研究docker有一段时间了,当然我主要的使用环境还是在Linux中,确实很方便. 但也有不少朋友希望使用Windows来工作学习,这里介绍一下在Windows中如何快速开始Docker的学习和体验吧 注意:由于docker原生只支持linux,所以使用Mac的用户,也需要跟Windows用户一样,采用一些额外的配置过程 注意:因为docker只支持64位的CPU,所以你的机器必须是64位的(而且要在BIOS里面启用虚拟化支持),Windows 7或者更高版本 1. 使用Docker Toolb

迁移学习(Transfer Learning)(转载)

原文地址:http://blog.csdn.net/miscclp/article/details/6339456 在传统的机器学习的框架下,学习的任务就是在给定充分训练数据的基础上来学习一个分类模型:然后利用这个学习到的模型来对测试文档进行分类与预测.然而,我 们看到机器学习算法在当前的Web挖掘研究中存在着一个关键的问题:一些新出现的领域中的大量训练数据非常难得到.我们看到Web应用领域的发展非常快速.大量新的领域不断涌现,从传统的新闻,到网页,到图片,再到博客.播客等等.传统的机器学习需要

『TensorFlow』迁移学习_他山之石,可以攻玉

目的: 使用google已经训练好的模型,将最后的全连接层修改为我们自己的全连接层,将原有的1000分类分类器修改为我们自己的5分类分类器,利用原有模型的特征提取能力实现我们自己数据对应模型的快速训练.实际中对于一个陌生的数据集,原有模型经过不高的迭代次数即可获得很好的准确率. 实战: 实机文件夹如下,两个压缩文件可以忽略: 花朵图片数据下载: 1 curl -O http://download.tensorflow.org/example_images/flower_photos.tgz 已经

迁移学习( Transfer Learning )

在传统的机器学习的框架下,学习的任务就是在给定充分训练数据的基础上来学习一个分类模型:然后利用这个学习到的模型来对测试文档进行分类与预测.然而,我们看到机器学习算法在当前的Web挖掘研究中存在着一个关键的问题:一些新出现的领域中的大量训练数据非常难得到.我们看到Web应用领域的发展非常快速.大量新的领域不断涌现,从传统的新闻,到网页,到图片,再到博客.播客等等.传统的机器学习需要对每个领域都标定大量训练数据,这将会耗费大量的人力与物力.而没有大量的标注数据,会使得很多与学习相关研究与应用无法开展

增强学习、增量学习、迁移学习——概念性认知

一.增强学习/强化学习(Reinforcement Learning ) 我们总是给定一个样本x,然后给或者不给label y.之后对样本进行拟合.分类.聚类或者降维等操作.然而对于很多序列决策或者控制问题,很难有这么规则的样本.比如,四足机器人的控制问题,刚开始都不知道应该让其动那条腿,在移动过程中,也不知道怎么让机器人自动找到合适的前进方向.另外如要设计一个下象棋的AI,每走一步实际上也是一个决策过程,虽然对于简单的棋有A*的启发式方法,但在局势复杂时,仍然要让机器向后面多考虑几步后才能决定

迁移学习全面概述:从基本概念到相关研究

目录: 1.什么是迁移学习? 2.为什么现在需要迁移学习? 3.迁移学习的定义 4.迁移学习的场景 5.迁移学习的应用 从模拟中学习 适应到新的域 跨语言迁移知识 6.迁移学习的方法 使用预训练的 CNN 特征 学习域不变的表征 让表征更加相似 混淆域 7.相关的研究领域 半监督学习 更有效地使用可用的数据 提高模型的泛化能力 让模型更加稳健 多任务学习 持续学习 zero-shot 学习 8.总结 ------------------------------------------------

tensorflow实现迁移学习

此例程出自<TensorFlow实战Google深度学习框架>6.5.2小节 卷积神经网络迁移学习. 数据集来自http://download.tensorflow.org/example_images/flower_photos.tgz ,及谷歌提供的Inception-v3模型https://storage.googleapis.com/download.tensorflow.org/models/inception_dec_2015.zip . 自行下载和解压. 解压后的文件夹包含5个子

神经网络(十二) 迁移学习

介绍 1.什么时候需要进行迁移学习 目前大多数机器学习算法均是假设训练数据以及测试数据的特征分布相同.然而这在现实世界中却时常不可行.例如我们我们要对一个任务进行分类,但是此任务中数据不充足(在迁移学习中也被称为目标域),然而却有大量的相关的训练数据(在迁移学习中也被称为源域),但是此训练数据与所需进行的分类任务中的测试数据特征分布不同(例如语音情感识别中,一种语言的语音数据充足,然而所需进行分类任务的情感数据却极度缺乏),在这种情况下如果可以采用合适的迁移学习方法则可以大大提高样本不充足任务的