Docker目前也只是跑通，能进行基本的使用。
如果有需求，还可以使用Docker GPU版本，可以使用GPU。
以GPU版本为例：
卸载原有的Docker
sudo apt-get remove docker
sudo apt-get remove docker-ce
sudo apt-get remove docker docker-engine docker.io containerd runc
本机环境
nvidia驱动：最新版
Ubuntu16.04
Python3.6
Tensor2Tensor 1.9 #不要下载最新版，只支持TF1.13.0
Tensorflow 1.12.0 #（可不安装）
Tensorflow-gpu 1.12.0
CUDA 9.0.176
cudnn 7.0.5
pip3 最新版
Tensorflow安装（默认已安装好对应的CUDA和cudnn版本）
sudo pip3 install tensorflow==1.12 #（可不安装）
sudo pip3 install tensorflow-gpu==1.12 #GPU版本
#可以使用清华源进行安装，满速下载
sudo pip3 install tensorflow-gpu==1.12.0 -i https://pypi.tuna.tsinghua.edu.cn/simple #可改成任意版本
Docker CE安装 ：官方文档
sudo apt-get update
sudo apt-get install \
apt-transport-https \
ca-certificates \
curl \
gnupg-agent \
software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo apt-key fingerprint 0EBFCD88
sudo add-apt-repository \
"deb [arch=amd64] https://download.docker.com/linux/ubuntu \
$(lsb_release -cs) \
stable"
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io
sudo docker run hello-world
让Docker支持GPU ：nvidia-docker
git clone https://github.com/NVIDIA/nvidia-docker.git
docker volume ls -q -f driver = nvidia-docker | xargs -r -I {} -n1 docker ps -q -a -f volume = {} | xargs -r docker rm -f
sudo apt-get purge -y nvidia-docker
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | \
sudo apt-key add -
distribution = $（ 。/ etc / os-release ; echo $ ID $ VERSION_ID ）
curl -s -L https://nvidia.github.io/nvidia-docker/ $ distribution /nvidia-docker.list | \
sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-docker2
sudo pkill -SIGHUP dockerd
sudo docker run --runtime = nvidia --rm nvidia / cuda：9.0-base nvidia-smi
安装并使用Tensor2Tensor训练机器翻译模型 ：T2T官方baseline或者AI Challenger 2018官方baseline
git clone https://github.com/tensorflow/tensor2tensor
sudo pip3 install tensor2tensor==1.9
sudo pip3 install tensor2tensor[tensorflow_gpu] #安装需求
跑通baseline即可由数据下载，数据处理，模型训练到模型预测得到一个可供翻译的神经机器翻译模型，默认情况一般会占用40G或者更大的空间（默认情况会保存20个checkpoint，每个CKPT大约2.4G），这里不再具体介绍模型训练相关。
导出训练好的模型（默认导出最后一个CKPT）
t2t-exporter --problems=$PROBLEM --data_dir=$DATA_DIR --model=$MODEL --hparams_set=$HPARAMS --output_dir=$TRAIN_DIR
#得到$TRAIN_DIR/export/1545437656的文件夹
#包含三个文件saved_model.pbtxt，variables.data-00000-of-00001，variables.index
使用我们的Docker创建容器
sudo docker pull tensorflow/serving:latest-gpu
sudo docker run --runtime=nvidia -p 8501:8500 --mount type=bind,source=$TRAIN_DIR/export,target=/models/yyq -e MODEL_NAME=yyq -t tensorflow/serving:latest-gpu
#source：这里要填模型文件的地址，填到export
#模型名称随意，对应即可
#如果你有多个GPU，并只使用其中的一部分：
sudo NV_GPU=0，1，2 nvidia-docker run -p 8501:8500 --mount type=bind,source=$TRAIN_DIR/export,target=/models/yyq -e MODEL_NAME=yyq -t tensorflow/serving:latest-gpu
#使用完后最好将相关进程kill掉，否则可能会出现端口占用的问题无法解决（事后用其他方法无法解决端口占用问题）
#Docker获取root权限(不需要sudo docker xxxxx，直接docker xxxxxx)：
https://docs.docker.com/install/linux/linux-postinstall/
安装Tensorflow_serving
sudo pip3 install tensorflow-serving-api
开启预测服务端
t2t-query-server --server=localhost:8501 --servable_name=yyq --problem=$PROBLEM --data_dir=$DATA_DIR
查看GPU使用情况
nvidia-smi
大功告成，现在就可以在终端下进行翻译了。
#关闭翻译服务的话，最好是关闭终端之后，再杀掉相关的进程！！！
sudo kill -s 9 PID #nvidia-smi中显示的PID
如果要进行线上部署则需要前端的flask进行路由的转发，修改query.py连接前后端。
一个没有解决的问题：在我们训练完模型进行decoder时，可以对beam_size和alpha_size进行调节设置，但是我们使用serving搭建服务端进行实时翻译的过程中却没有对beam_size和alpha_size设置的办法，查询serving文件夹内相关代码，没有发现相关内容，不知该如何解决，如果有朋友知道，麻烦分享一下。
一个新的问题：翻译速度怎样提升（以目前这个流程配置出来的服务端，翻译会比较慢），是否可以使用其他的服务。
关于上面两个问题：第一个问题已经解决，在我们导出模型的时候可以设置decoder_hparams参数，即alpha和beam，即可导出对应模型；第二个问题，据了解，tensorflow自带的serving速度确实比较慢，需要寻找其他方式进行部署（未解决）。
来源：CSDN
作者：kudou1994
链接：https://blog.csdn.net/kudou1994/article/details/87653930