TensorFlow（2）：给TensorFlow Image 打补丁增加 TuShare 支持

TuShare 是一个python的lib 库非常好用。
并且是适合国内的股票市场的，可以直接下载国内的股票数据。
非常的方便。
同事 TensorFlow 已经支持了 Numpy。直接在这个上面增加TuShare类库就好了。
而且docker 的有点就出来了。一层一层的叠加了。

2，增加镜像

#!/usr/bin/env bash

jupyter notebook --no-browser --NotebookApp.token=token1234 /notebooks/jupyter-notebook.log 

Dockerfile :

RUN echo "deb http://mirrors.163.com/ubuntu/ xenial main restricted universe multiverse\n\ deb http://mirrors.163.com/ubuntu/ xenial-security main restricted universe multiverse\n\ deb http://mirrors.163.com/ubuntu/ xenial-updates main restricted universe multiverse\n\ deb http://mirrors.163.com/ubuntu/ xenial-proposed main restricted universe multiverse\n\ deb http://mirrors.163.com/ubuntu/ xenial-backports main restricted universe multiverse\n\ deb-src http://mirrors.163.com/ubuntu/ xenial main restricted universe multiverse\n\ deb-src http://mirrors.163.com/ubuntu/ xenial-security main restricted universe multiverse\n\ deb-src http://mirrors.163.com/ubuntu/ xenial-updates main restricted universe multiverse\n\ deb-src http://mirrors.163.com/ubuntu/ xenial-proposed main restricted universe multiverse\n\ deb-src http://mirrors.163.com/ubuntu/ xenial-backports main restricted universe multiverse\n" /etc/apt/sources.list RUN apt-get update RUN apt-get install -y python-lxml python-requests vim RUN pip install tushare --upgrade RUN rm -f /run_jupyter.sh COPY run_jupyter.sh /run_jupyter.sh ENTRYPOINT ["/run_jupyter.sh"]

一直以为这个镜像是debian的。结果mirrors 还写错成debian的。
还奇怪为啥要权限校验呢。
改成Ubuntu 的就没有问题了。是 Ubuntu 16.04 的版本。

然后构建镜像：

docker run -it -v /data/tensorflow/notebooks:/notebooks -p 8888:8888 -p 6006:6006 -d myTensorFlow:1.0

3，调用TuShare 股票函数

本文的原文连接是: http://blog.csdn.net/freewebsys/article/details/70305363 未经博主允许不得转载。
博主地址是：http://blog.csdn.net/freewebsys

使用docker 还是非常的方便的。同时可以将经验以images 的方式分享给别人。
非常快速的搭建环境。提高开发效率。简化开发。
将更多的时间放到处理业务逻辑上。
同时，大家用的技术都一样了，就是大家的思路，思想不一样了。
得好好的学习下数学公式了，这个才是值得沉淀的东西。

Tensorflow源码解析6 -- TensorFlow本地运行时 # 1 概述 TensorFlow后端分为四层，运行时层、计算层、通信层、设备层。运行时作为第一层，实现了session管理、graph管理等很多重要的逻辑，是十分关键的一层。根据任务分布的不同，运行时又分为本地运行时和分布式运行时。本地运行时，所有任务运行于本地同一进程内。而分布式运行时，则允许任务运行在不同机器上。 Tensorflow的运行，通过session搭建了前后端沟通的桥