經過了10+小時的漫長等待之后，也就是第二天早晨起來之后，構建安裝結束。這個事實又一次提醒自己這臺電腦確確實實是一臺十年前的舊機器了。
接下來是裝Jupyter，jupyterlab 和 notebook在docker容器內和宿主環境分別安裝。注意在有多個虛擬環境的情況下，通過mamba安裝nb_conda_kernels，虛擬環境內安裝ipykernel，可以實現在jupyter當中選擇不同虛擬環境對應的內核。
docker容器內安裝完主要是需要配置一下容器對外暴露的端口，本來在docker run創建并運行容器的時候，可以通過-p指定端口映射規則，結果忘記設置了。由于在采用docker start重啟運行容器時也沒有可用的端口映射參數，采取了修改容器配置文件的方法。涉及到的容器的配置文件路徑為：/var/lib/docker/containers/[CONTAINER_ID]/
其中的CONTAINER_ID是容器的完整hash或ID值如：34a680e129d1cf75e89b01c629f32bdb2f90d67426e0d800295e0809ebde0565，可以通過docker ps命令：docker ps -a --no-trunc找到。docker ps -a先找到截短的前12位ID如34a680e129d1，再用docker inspect命令+grep也可以，麻煩一些。
涉及到的配置文件有兩個，hostconfig.json和config.v2.json，其中config.v2.json中在config一節，加入ExposedPorts項："ExposedPorts":{"8888/tcp":{}}，指示應該暴露出的容器內部的TCP端口8888（jupyter的缺省端口）。在network一節的ports項，從原來的null修改為"Ports":{"8888/tcp":[{"HostIp":"0.0.0.0","HostPort":"8686"},{"HostIp":"::","HostPort":"8686"}]}，說明需要映射到宿主的8686端口。hostconfig.json中對應修改PortBindings項為"PortBindings":{"8888/tcp":[{"HostIp":"","HostPort":"8686"}]}。
修改完兩個配置文件，重啟docker服務，再啟動容器服務就可以了。雖然重啟了整個docker服務，目前宿主機并沒有需要持續運行的其它容器服務，并未有什么負面影響。
注意由于docker環境配置的缺省用戶是root，直接運行jupyter會報錯，另外，瀏覽器一般是運行在宿主機上，因此運行docker內的jupyter時需要添加-allow-root 和--no-browser兩個參數，一般再加上& ，放入后臺運行。
以下是編譯安裝的pytorch在jupyter中運行的結果。
jupyter notebook中的運行結果
深度學習是當今最熱門的技術之一，而PyTorch作為一個強大而靈活的深度學習框架，受到了廣泛的關注和應用。本文將介紹掌握PyTorch的十個步驟，幫助讀者快速上手和深入了解這個框架。無論你是初學者還是有一定經驗的開發者，這些步驟都將為你提供寶貴的指導。
第一步：安裝PyTorch
在掌握PyTorch之前，首先需要將其安裝在你的機器上。你可以從官方網站上找到適合你操作系統和硬件配置的安裝包，并按照官方文檔的指導進行安裝。
第二步：了解PyTorch的基本概念
在使用PyTorch之前，了解一些基本概念是非常重要的。這包括Tensor（張量）、Variable（變量）、Module（模塊）等。Tensor是PyTorch中最基本的數據結構，類似于NumPy中的數組。Variable是對Tensor的封裝，可以進行自動求導等操作。Module是構建神經網絡的基本單元，可以包含多個層和參數。
第三步：創建和操作Tensor
學會創建和操作Tensor是使用PyTorch的基礎。你可以使用torch.Tensor()函數創建一個Tensor，并使用各種方法進行操作，如索引、切片、數學運算等。熟悉這些操作將為你后續的工作打下堅實的基礎。
第四步：使用Autograd進行自動求導
PyTorch的一個重要特性是自動求導。Autograd可以根據你的計算圖自動計算梯度，無需手動編寫反向傳播的代碼。學會使用Autograd是深入理解PyTorch的關鍵。
第五步：構建神經網絡模型
神經網絡是深度學習的核心。PyTorch提供了豐富的工具和API來構建各種類型的神經網絡模型。你可以選擇使用預定義的模塊，如nn.Module、nn.Linear等，也可以自定義模塊來構建自己的網絡。了解如何構建和組織神經網絡模型是使用PyTorch的重要一步。
第六步：訓練神經網絡模型
在構建好神經網絡模型后，你需要將其訓練以適應你的任務。PyTorch提供了豐富的工具和函數來幫助你進行模型訓練，如優化器（Optimizer）、損失函數（Loss Function）等。學會使用這些工具和函數是訓練神經網絡模型的關鍵。
第七步：數據加載和預處理
在深度學習中，數據的加載和預處理是非常重要的。PyTorch提供了多種方式來加載和處理數據，如torchvision、torch.utils.data等。你需要學會使用這些工具來加載和預處理你的數據，以便于訓練和評估模型。
第八步：模型評估和調優
在訓練完模型后，你需要對其進行評估和調優。PyTorch提供了多種評估指標和方法，如準確率、損失函數等。你可以使用這些指標來評估模型的性能，并根據評估結果對模型進行調優。
第九步：遷移學習和模型部署
遷移學習是利用已經訓練好的模型來解決新任務的一種方法。PyTorch提供了多種預訓練模型，如ResNet、VGG等。你可以使用這些預訓練模型來加速你的訓練過程，并在新任務上取得更好的性能。此外，PyTorch還提供了多種方式來部署你的模型，如TorchScript、ONNX等。
第十步：參與社區和持續學習
PyTorch擁有一個龐大而活躍的社區，你可以通過參與社區來學習和分享經驗。在社區中，你可以找到各種教程、示例代碼和論壇討論，幫助你解決問題和深入了解PyTorch。此外，持續學習是掌握PyTorch的關鍵。深度學習是一個快速發展的領域，你需要不斷學習和探索新的技術和方法。
通過掌握PyTorch的十個步驟，你將能夠快速上手和深入了解這個強大的深度學習框架。無論你是初學者還是有一定經驗的開發者，這些步驟都將為你提供寶貴的指導。記住，學習是一個持續的過程，不斷學習和探索新的技術和方法將使你在深度學習領域取得更大的成功。加油吧，掌握PyTorch，開啟深度學習之旅！