1.Docker源码安装附内网镜像安装演示
2.纯干货！源码构建Dockfile镜像的构建十三个最佳实践点
3.Docker 源码分析
4.深入 Dify 源码，洞察 Dify RAG 核心机制
5.使用 Docker 搭建 Calibre-Web 在线书库
6.在 Nvidia Docker 容器编译构建显存优化加速组件 xFormers

Docker源码安装附内网镜像安装演示

       系统版本要求源码包下载

       官网下载地址（download.docker.com/lin...）

       我这里已docker-...tgz该版本做演示

       1.下载源码包文件到本地

       2.通过远程连接工具（xShell、源码SecureCRT等将源码包文件上载到服务器自定义目录）

       3.解压文件

       4.配置docker为service服务

       5.添加可执行权限

       注：如遇到启动不成功可通过状态查询、构建/var/log/messages/运行日志或直接使用dockerd命令查看错误信息，源码如还解决不了建议服务器重启一下在运行docker启动命令

       6.配置镜像加速

       7.检查安装版本内网下载镜像

       注：使用docker pull拉取镜像的构建文档分享源码时候需要网络，但是源码项目部署一般都是在内网。内网访问不了外网，构建所以需要在外网环境下把需要的源码镜像拉取下来打包，然后拷贝到内网，构建载入到内网的源码docker

       1.在外网机器上拉取mysql镜像，可以看到外网的构建docker已经拉取了镜像。

       2.将镜像打包成tar压缩包

       3.将打包好的源码mysql镜像包通过远程工具下载到本地

       4.拷贝到内网linux服务器并载入docker

       docker基础命令使用（扩展）下载镜像：(hub.docker.com/search/官网镜像地址)

       docker pull [IMAGE_NAME]:[TAG] #命令格式

       docker pull mysql:8.0 #下载mysql8.0镜像（不指定默认下载最新版本）

       查看当前镜像版本

       docker -v #查看当前安装版本

       docker version #查看版本信息

       docker info #查看系统信息

       docker images #查看当前镜像

       docker search 镜像名 #搜索镜像

       镜像、容器删除

       docker rm 容器ID

       docker rm 容器名字

       docker rmi 镜像ID

       docker rmi 镜像名

       docker rmi -f 镜像ID #强制删除

       创建网络及数据卷

       docker volume create +数据卷名称

       docker volume list #查看当前数据卷信息

       docker network create -d bridge +网络名称

       docker network ls #查看当前网络

       docker inspect containername +id #查看容器的构建hash值

       启动、关闭容器

       docker stop $(docker ps -a | awk '{ print $1}' | tail -n +2) #关闭所有容器

       docker start $(docker ps -a | awk '{ print $1}' | tail -n +2) #开启所有容器

       杂

       docker inspect 容器ID （使用该命令重点关注容器ip） #查看容器/镜像元数据

       docker exec #在运行的源码容器中执行命令

       docker exec -it 容器ID /bin/bash #以交互模式开启伪终端

纯干货！构建Dockfile镜像的十三个最佳实践点

       编写.dockerignore文件

       在构建镜像时，Docker需要准备上下文，将所有需要的文件收集到进程中。默认上下文包含Dockerfile目录中的所有文件，但实际上并不需要.git目录、.vscode目录、.idea目录等内容。.dockerignore文件的用法与.gitignore类似，可以忽略一些不需要的文件，有效加快构建时间并减少Docker镜像大小。

       样例:

       一个容器只运行单个应用

       从技术角度讲，可以在Docker容器中运行多个进程，但这样做会让你非常痛苦。因此，建议为每个应用构建单独的Docker镜像。

       选择合适的基础镜像

       合适的基础镜像如scratch、busybox、alpine、distroless等，有助于减少镜像大小。较小的镜像表示无用程序更少，提高了安全性。

       将多个RUN指令合并为一个

       Docker镜像是分层的，重要知识点包括：现在，菠菜API系统源码将所有RUN指令合并为一个。同时删除apt-get upgrade，因为它会使镜像构建非常不确定。记住，只能将变化频率相同的指令合并在一起，如将node.js安装与npm模块安装放在一起。

       基础镜像和生产镜像的标签不要使用latest

       当镜像没有指定标签时，默认使用latest。这可能导致镜像更新时构建失败。若确实需要最新版基础镜像，使用latest标签；否则，最好指定明确的镜像标签。

       样例：

       每个RUN指令后删除多余文件

       更新apt-get源后，下载、解压并安装软件包，这些文件在运行应用时不需要保存在Docker镜像中。删除它们可以减少镜像大小。

       样例：

       在Dockerfile中删除/var/lib/apt/lists/目录中的文件（由apt-get update生成）。

       设置WORKDIR和CMD

       WORKDIR指令可以设置默认目录，即运行RUN、CMD、ENTRYPOINT指令的地方。CMD指令设置容器创建时执行的默认命令，应将命令写入数组中。

       样例：

       使用ENTRYPOINT时，用exec启动命令（可选）

       在使用entrypoint的脚本中，要使用exec命令运行应用。不使用exec，容器关闭时SIGTERM信号会被bash脚本进程吞没。exec命令启动的进程可以取代脚本进程，确保所有信号正常工作。

       相比ADD，优先使用COPY

       COPY指令用于简单文件拷贝，ADD指令则可以下载远程文件和解压压缩包，相对复杂。

       样例:

       设置默认的环境变量，映射端口和数据卷

       运行Docker容器时可能需要环境变量。在Dockerfile中设置默认环境变量。初尘西游源码同时，应在Dockerfile中设置映射端口和数据卷。

       样例:

       ENV指令指定的环境变量在容器中可用。构建镜像时需要指定的变量，使用ARG指令。

       使用LABEL设置镜像元数据

       使用LABEL指令为镜像设置元数据，例如创建者或描述。弃用了MAINTAINER指令，外部程序如nvidia-docker可能需要com.nvidia.volumes.needed等元数据。

       样例:

       一个镜像可以有多个label。尽可能将多个label合并到一个LABEL指令中，避免构建出低效镜像。

       添加HEALTHCHECK

       运行容器时，使用--restart always选项，当容器崩溃时Docker守护进程会重启容器。HEALTHCHECK指令可以周期性检查容器健康状况，指定命令返回0表示正常，返回1表示异常。

       样例：

       当请求失败时，curl --fail命令返回非0状态。

       合理调整COPY和RUN的顺序

       应将变化最少的部分放在Dockerfile的前面，充分利用镜像缓存。

       样例：

       源代码经常变化，每次构建镜像时都需要重新安装NPM模块。因此，先拷贝package.json，然后安装NPM模块，最后拷贝其余源代码。这样即使源代码变化，也不需要重新安装NPM模块。

       参考文档

Docker 源码分析

       本文旨在解析Docker的核心架构设计思路，内容基于阅读《Docker源码分析》系文章后，整理的核心架构设计与关键部分摘抄。Docker是Docker公司开源的基于轻量级虚拟化技术的容器引擎项目，使用Go语言开发，遵循Apache 2.0协议。Docker提供快速自动化部署应用的能力，利用内核虚拟化技术（namespaces及cgroups）实现资源隔离与安全保障。游戏礼包兑换源码相比虚拟机，Docker容器运行时无需额外的系统开销，提升资源利用率与性能。

       Docker迅速获得业界认可，包括Google、Microsoft、VMware在内的领导者支持。Google推出Kubernetes提供Docker容器调度服务，Microsoft宣布Azure支持Kubernetes，VMware与Docker合作。Docker在分布式应用领域获得万美元的C轮融资。

       Docker的架构主要由Docker Client、Docker Daemon、Docker Registry、Graph、Driver、libcontainer以及Docker container组成。

Docker Client：用户通过命令行工具与Docker Daemon建立通信，发起容器管理请求。

Docker Daemon：后台运行的系统进程，接收并处理Docker Client请求，通过路由与分发调度执行相应任务。

Docker Registry：存储容器镜像的仓库，支持公有与私有注册。

Graph：存储已下载镜像，并记录镜像间关系的数据库。

Driver：驱动模块，实现定制容器执行环境，包括graphdriver、networkdriver和execdriver。

libcontainer：库，使用Go语言设计，直接访问内核API，提供容器管理功能。

Docker container：Docker架构的最终服务交付形式。

       架构内各模块功能如下：

Docker Client：用户与Docker Daemon通信的客户端。

Docker Daemon：后台服务，接收并处理请求，青柠商城源码执行job。

Graph：存储容器镜像，记录镜像间关系。

Driver：实现定制容器环境，包括管理、网络与执行驱动。

libcontainer：库，提供内核访问，实现容器管理。

Docker container：执行容器，提供隔离环境。

       核心功能包括从Docker Registry下载镜像、创建容器、运行命令与网络配置。

       总结，通过Docker源码学习，深入了解其设计、功能与价值，有助于在分布式系统实现中找到与已有平台的契合点。同时，熟悉Docker架构与设计思想，为云计算PaaS领域带来实践与创新启发。

深入 Dify 源码，洞察 Dify RAG 核心机制

       深入探究Dify源码，揭示RAG核心机制的关键环节

       在对Dify的完整流程有了初步了解后，发现其RAG检索效果在实际部署中不尽如人意。因此，针对私有化部署的Dify，我结合前端配置和实现流程，详细解析了技术细节，旨在帮助调整知识库配置或进行定制化开发。

       Docker私有化部署技术方案

       本文重点聚焦于Dify docker私有化部署的默认技术方案，特别是使用Dify和Xinference的GPU环境部署。若想了解更多，可查阅Dify与Xinference的集成部署教程。

       RAG核心流程详解

       Extractor：负责原始文件内容的提取，主要在api/core/rag/extractor/extract_processor.py中实现。分为Dify默认解析和Unstructured解析，后者可能涉及付费，通常Dify解析更为常用。

       Cleaner：清洗解析内容，减少后续处理负担，主要基于规则进行过滤，用户可在前端进行调整。

       Splitter：文件分片策略，Dify提供自动和自定义两种，影响检索效果。

       Retrieval：Dify支持多种检索模式，包括关键词检索和向量数据库检索，向量库的选择对效果有很大影响。

       Rerank：对检索结果进行排序，配置Top K和score阈值，但存在设计上的不足。

       总结与优化建议

       Dify的RAG服务提供了基础框架，但性能优化空间大。通过调整配置，特别是针对特定业务场景，可以改善检索效果。对RAG效果要求高的用户，可能需要进行定制化的二次开发和优化。

使用 Docker 搭建 Calibre-Web 在线书库

       Calibre 是一款功能强大的电子书库管理工具，支持书籍的便捷管理和格式转换。Calibre-Web 则提供在线访问书库、发送书籍至Kindle、使用阅读器访问书库等服务。本篇文章将介绍如何使用 Docker 或源码部署 Calibre-Web。

       在使用 Docker 部署 Calibre-Web 之前，需要先安装 Docker。可以通过官方文档中的安装方法完成，包括安装依赖、添加阿里镜像源、列出可用版本以及安装最新版本等步骤。安装成功后，使用命令启动 Docker，并运行 Docker 镜像。

       为了部署 Calibre-Web，需要查看可用的 Docker 镜像。常用的镜像有两个选项：technosoft/calibre-web 和 linuxserver/calibre-web。前者自带电子书转换功能，但镜像较大，有 1.5G 左右；后者较为轻量，无电子书转换功能。部署时，还需确保防火墙开放 端口。

       创建并运行 Docker 容器，使用命令 `docker run`，并指定参数如 `-d`（后台运行）、`-p`（端口映射）、`-v`（挂载存储卷）等。创建过程中，会从 GitHub 下载文件，速度较慢。当出现 “Launching Calibre-Web” 时，表明服务启动完成。

       对于不希望使用 Docker 的情况，可以使用源码部署 Calibre-Web。首先，需要安装 Python3 环境，并从指定链接下载 Calibre-Web 源码。解压后，使用 `pip install -r requirements.txt` 下载必要的包和模块。接着，确保防火墙开放 端口，并启动服务。

       完成部署后，通过浏览器访问 Calibre-Web，使用默认用户 `admin` 和密码 `admin` 登录。系统会提示选择数据库位置，将 `metadata.db` 文件（可通过安装的 Windows 版本的 Calibre 创建得到）拷贝到 `/calibre/books/` 目录下，并修改权限。默认情况下，上传书籍的权限被关闭，需要在设置中进行修改。此外，还可以从已有的 Calibre 书库导入书籍或使用 IP:/opds 方式添加书库。

       部署 Calibre-Web 后，可以通过 Zhihu On VSCode 等工具进行创作和发布。

在 Nvidia Docker 容器编译构建显存优化加速组件 xFormers

       本篇文章，聊聊如何在新版本 PyTorch 和 CUDA 容器环境中完成 xFormers 的编译构建。

       让你的模型应用能够跑的更快。

       写在前面

       xFormers[1] 是 FaceBook Research （Meta）开源的使用率非常高的 Transformers 加速选型，当我们使用大模型的时候，如果启用 xFormers 组件，能够获得非常明显的性能提升。

       因为 xFormers 对于 Pytorch 和 CUDA 新版本支持一般会晚很久。所以，时不时的我们能够看到社区提出不能在新版本 CUDA 中构建的问题（ #[2]或 #[3]），以及各种各样的编译失败的问题。

       另外，xFormers 的安装还有一个问题，会在安装的时候调整当前环境已经安装好的 PyTorch 和 Numpy 版本，比如我们使用的是已经被验证过的环境，比如 Nvidia 的月度发布的容器环境，这显然是我们不乐见的事情。

       下面，我们就来解决这两个问题，让 xFormers 能够在新的 CUDA 环境中完成编译，以及让 xFormers 的安装不需要变动我们已经安装好的 Pytorch 或者 Numpy。

       环境准备

       环境的准备一共有两步，下载容器和 xFormers 源代码。

       Nvidia 容器环境

       在之前的 许多文章[4]中，我提过很多次为了高效运行模型，我推荐使用 Nvidia 官方的容器镜像（ nvcr.io/nvidia/pytorch:.-py3[5]）。

       下载镜像很简单，一条命令就行：

       完成镜像下载后，准备工作就完成了一半。

       准备好镜像后，我们可以检查下镜像中的具体组件环境，使用docker run 启动镜像：

       然后，使用python -m torch.utils.collect_env 来获取当前环境的信息，方便后续完成安装后确认原始环境稳定：

       获取 xFormers

       下载 xFormers 的源代码，并且记得使用--recursive 确保所有依赖都下载完毕：

       xFormers 的源码包含三个核心组件cutlass、flash-attention、sputnik，除去最后一个开源软件在 xFormers 项目 sputnik 因为 Google 不再更新，被固定了代码版本，其他两个组件的版本分别为：cutlass@3.2 和 flash-attention@2.3.6。

       Dao-AILab/flash-attention[6]目前最新的版本是 v2.4.2，不过更新的主干版本包含了更多错误的修复，推荐直接升级到最新版本。在 v2.4.2 版本中，它依赖的 cutlass 版本为 3.3.0，所以我们需要升级 cutlass 到合适的版本。

       Nvidia/cutlass[7] 在 3.1+ 的版本对性能提升明显。

       不过如果直接更新 3.2 到目前最新的 3.4flash-attention 找不到合适的版本，会发生编译不通过的问题，所以我们将版本切换到 v3.3.0 即可。

       另外，在前文中提到了在安装 xFormers 的时候，会连带更新本地已经安装好的依赖。想要保护本地已经安装好的环境不被覆盖，尤其是 Nvidia 容器中的依赖不被影响，我们需要将xformers/requirements.txt 内容清空。

       好了，到这里准备工作就结束了。

       完成容器中的 xFormers 的安装

       想要顺利完成 xFormers 的构建，还有一些小细节需要注意。为了让我们能够从源码进行构建，我们需要关闭我们下载 xFormers 路径的 Git 安全路径检查：

       为了让构建速度有所提升，我们需要安装一个能够让我们加速完成构建的工具ninja：

       当上面的工具都完成后，我们就可以执行命令，开始构建安装了：

       需要注意的是，默认情况下安装程序会根据你的 CPU 核心数来设置构建进程数，不过过高的工作进程，会消耗非常多的内存。如果你的 CPU 核心数非常多，那么默认情况下直接执行上面的命令，会得到非常多的Killed 的编译错误。

       想要解决这个问题，我们需要设置合理的MAX_JOBS 参数。如果你的硬件资源有限，可以设置 MAX_JOBS=1，如果你资源较多，可以适当增加数值。我的构建设备有 G 内存，我一般会选择设置 MAX_JOBS=3 来使用大概最多 GB 的内存，来完成构建过程，MAX_JOBS 的构建内存消耗并不是完全严格按照线性增加的，当我们设置为 1 的时候，GB 的设备就能够完成构建、当我们设置为 2 的时候，使用 GB 的设备构建会比较稳妥，当设置到 4 的时候，构建需要的内存就需要 GB 以上了。

       构建的过程非常漫长，过程中我们可以去干点别的事情。

       当然，为了我们后续使用镜像方便，最好的方案是编写一个 Dockerfile，然后将构建的产物保存在镜像中，以方便后续各种场景使用：

       在构建的时候，我们可以使用类似下面的命令，来搞定既使用了最新的 Nvidia 镜像，包含最新的 Pytorch 和 CUDA 版本，又包含 xFormers 加速组件的容器环境。

       如果你是在本机上进行构建，没有使用 Docker，那么构建成功，你将看到类似下面的日志：

       等待漫长的构建结束，我们可以使用下面的命令，来启动一个包含构建产物的容器，来测试下构建是否成功：

       当我们进入容器的交互式命令行之后，我们可以执行python -m xformers.info，来验证 xFromers 是否构建正常：

       以及，使用python -m torch.utils.collect_env 再次确认下环境是否一致：

       最后

       好了，这篇文章就先写到这里啦。