本篇文章将分享如何通过 Docker 来在本地快速运行 Hugging Face 上的有趣模型。用比原项目更少的代码，和更短的时间成本将模型跑起来。
如果你熟悉 Python，那么绝大多数的模型项目，都可以用 10 分钟左右的时间，完成本地的部署和运行。
写在前面
为了方便展示，我选择了一个图像处理模型。在聊细节之前，让我们来一起看看这个模型项目的实际运行效果吧。
瞳孔和毛发细节也非常接近真实
相比较原始照片新照片清晰不少
上面的图片处理所使用的 AI 模型，是我在 Hugging Face 上找到的。随着 Hugging Face 的爆火，平台上出现了越来越多的有趣的模型和数据集，目前仅模型数量就高达 4 万 5 千多个。
这些模型有一个有趣的特点，在云平台上跑的好好的，但是一旦想在本地跑起来就得各种“费劲”折腾，项目关联的 GitHub 中总是能看到用户反馈：这个模型和代码，我本地跑不起来，运行环境和调用代码搞起来太麻烦了。
Hugging Face 的数万开放模型
其实在日常的工作和学习中，我们也会经常遇到类似上面 Hugging Face 的情况：许多模型在“云上”跑的好好的，但是一到本地就跑不起来了，这或许是因为“操作系统环境、设备 CPU 架构（x86/ ARM）差异”、或许是因为“Python 运行时版本过高或过低”、或许是因为“某个 PIP 安装的软件包版本不对”、“冗长的示例代码中写死了一堆东西”...
那么，有没有什么偷懒的方法，可以让我们绕开这些浪费时间的问题呢？
在经过了一番折腾之后，我探索出了一个相对靠谱的方案：用 Docker 容器搭配 Towhee，制作模型的一键运行环境。
譬如本文开头提到的这个模型，假如我们想进行快速调用，针对我们的图片进行一个快速修复处理，真的并不难：只需要一条 docker run 命令，搭配二、三十来行 Python 代码即可。
接下来，我就以腾讯 ARC 实验室开源的 GFPGAN 模型为例，来聊聊如何快速的把网上开放的模型快速的跑起来。
GitHub 上拥有两万颗星星的 GFPGAN
因为该模型基于 PyTorch，所以本篇文章里，我们先聊聊如何制作基于 PyTorch 的模型使用的通用 Docker 基础镜像。如果同学们有需求，我就再聊聊其他模型框架。
制作 PyTorch 模型使用的通用 Docker 基础镜像
本章节的完整示例代码，我已经上传到了 GitHub：https://github.com/soulteary/docker-pytorch-playground，感兴趣的同学可以自取。如果你想进一步省事，还可以直接使用我已经构建好的镜像，来作为基础镜像使用：https://hub.docker.com/r/soulteary/docker-pytorch-playground 。
如果你对如何封装基础镜像感兴趣，可以继续阅读本章节，如果你只关心如何快速跑模型，可以直接阅读下一章节内容。
言归正传，出于下面三个原因，我建议想在本地快速复现模型的同学采用容器方案 ：
1.想要避免不同项目之间的环境造成干扰（污染）2.想要确保项目依赖清晰，任何人都能够在任何设备上复现结果3.想要复现模型的时间成本更低一些，不喜欢折腾 80% 重复的模型调优之外的工作内容（尤其是环境、基础配置）
在了解到容器方案的优势之后。接下来，我们来聊聊如何编写这类基础镜像的 Dockerfile ，以及编写过程中的思考：
考虑到模型可能需要在 x86 和 ARM 两类设备上运行，推荐使用 miniconda3 这个基于 debian 内置了 conda 工具包的基础镜像。
FROM continuumio/miniconda3:4.11.0关于基础环境镜像的使用，我推荐大家使用具体版本号，而不是 latest，这样可以让你的容器在需要重复构建的时候，也能保持“稳定”，减少“意外的惊喜”。如果你有特殊的版本需求，可以在这里[1]找到更适合你的镜像版本。关于 conda 和 mini conda 相关的内容，本篇文章暂不赘述，感兴趣的同学可以从官方仓库[2]中获得更多的信息。如果有需求的话，我会写一篇更详细的文章来聊聊它。
因为我们会频繁使用 OpenGL 的 API，所以我们需要在基础镜像中安装 libgl1-mesa-glx 软件包，如果你想了解这个软件包的详情，可以阅读 debian 官方软件仓库的文档[3]，为了让安装时间更少，这里我调整了软件源为国内的“清华源”。
RUN sed -i -e "s/deb.debian.org/mirrors.tuna.tsinghua.edu.cn/" /etc/apt/sources.list &&
sed -i -e "s/security.debian.org/mirrors.tuna.tsinghua.edu.cn/" /etc/apt/sources.list &&
apt update
RUN apt install -y libgl1-mesa-glx当我们完成了基础系统依赖库的安装之后，就可以开始准备模型运行环境了，以 PyTorch 安装为例：
代码语言：javascript复制RUN pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
RUN conda install -y pytorch同样为了节约 Python PyPi 软件包的下载时间，我同样将下载源切换到了国内的“清华源”。当 conda install -y pytorch 命令执行完毕之后，我们的基础的运行环境也就 OK 了。
考虑到大家的网络环境不相同，这里列出一些国内其他的常用镜像源。你可以根据你自己的情况，调整软件包下载源，来获取更快的软件包下载速度。
代码语言：javascript复制# 清华源
https://pypi.tuna.tsinghua.edu.cn/simple
# 阿里云
http://mirrors.aliyun.com/pypi/simple
# 百度
https://mirror.baidu.com/pypi/simple
# 中科大
https://pypi.mirrors.ustc.edu.cn/simple
# 豆瓣
http://pypi.douban.com/simple在上面的步骤中，我们大概需要下载接近 200MB 的软件包（conda 14MB、pytorch 44MB、mkl 140MB），需要有一些耐心。
为了让我们的基础镜像环境能够兼容 x86 和 ARM，在完成上面的基础环境安装之外，我们还需要指定 torch 和 torchvision 版本，关于这点在PyTorch 社区里曾有过 一些讨论[4]。
RUN pip3 install --upgrade torch==1.9.0 torchvision==0.10.0在上面的命令中，我们会将 torch 替换为指定版本。实际构建镜像的过程中，大概需要额外下载 800MB 的数据。即使我们使用了国内的软件源，时间可能也会比较漫长，可以考虑去冰箱里拿一罐冰可乐，缓解等待焦虑。
