翻译：Why Are There More Than 100 Million Pull Requests for AI/ML Images on Docker Hub? 作者：Marc Sherwood
快速浏览一下Docker Hub上著名的AI/ML相关图像的拉取请求，会发现超过1亿拉取请求。是什么推动了AI/ML领域的这种需求水平？驱使开发人员在任何项目中使用Docker的同样的事情：加速开发、简化协作和确保项目内的一致性。
在本文中，我们将更仔细地了解Docker如何为AI/ML开发提供强大的工具。
随着我们与更多使用Docker作为其人工智能/机器学习工作的一部分的开发团队互动，我们正在了解新的令人兴奋的用例，并听到使用Docker如何帮助简化与他们的团队和其他人工智能/机器学习从业者共享人工智能/机器学习解决方案的过程。
为什么Docker是数百万开发人员在使用AI/ML时的部署选择？
人工智能/机器学习开发涉及管理复杂的依赖项、库和配置，这可能既具有挑战性又耗时。尽管这些复杂性不仅限于人工智能/机器学习开发，但有了人工智能/机器学习，它们可能会对开发人员造成更大的负担。然而，Docker已经帮助开发人员解决这些问题10年了。
环境一致性
Docker允许您创建一个容器化环境，其中包括您的AI/ML项目所需的所有依赖项，包括库、工具和框架。该环境可以在不同的机器和操作系统之间轻松共享和复制，确保一致性和可重复性。Docker映像还可以通过Docker Hub等容器注册表进行版本控制和共享，从而实现无缝协作和持续集成和交付。
可扩展性
Docker提供了一种轻量级且高效的方式来扩展AI/ML应用程序。使用Docker，您可以在同一台机器上或跨集群中的不同机器运行多个容器，从而实现水平扩容。这种方法可以帮助您处理大型数据集，并行运行多个实验，并提高应用程序的整体性能。
可移植性
Docker提供可移植性，允许您在任何支持Docker的平台上运行您的AI/ML应用程序，包括本地机器、基于云的基础架构和边缘设备。Docker映像可以构建一次并部署在任何地方，消除兼容性问题并减少对复杂配置的需求。这可以帮助您简化部署过程并专注于模型的开发。
可重复性
Docker通过提供一种将整个AI/ML应用程序及其依赖项打包到容器中的方法来实现可重复性。该容器可以轻松共享和复制，确保实验是可重复性的，无论它们在什么环境中运行。Docker提供了一种方法来指定重现结果所需的依赖项和配置的确切版本，这可以帮助验证实验并确保可靠性和可重复性。
简单协作性
Docker可以轻松地与团队成员或同事协作AI/ML项目。Docker映像或容器可以轻松共享和分发，确保每个人都可以访问相同的环境和依赖项。这种协作可以帮助简化开发过程，减少设置开发环境所需的时间和精力。
写在最后
Docker为AI/ML开发提供了一个强大的工具，提供一致性、可扩展性、可移植性、可重复性和协作性，通过使用Docker打包和分发AI/ML应用程序及其依赖项，开发人员可以简化开发过程并专注于构建和改进他们的模型。
查看加速AI/ML开发页面，详细了解Docker如何融入AI/ML开发过程。
如果您在AI/ML工作流程中有关于Docker的有趣用例或故事，我们很乐意听取您的意见，甚至可以分享您的故事。
