应优先使用TensorFlow官方Docker镜像：CPU选tensorflow/tensorflow:2.13.0-py3（兼容Python 3.9/3.10），GPU选2.15.0-gpu并配置NVIDIA Container Toolkit与驱动≥525，禁用硬装pip版TF。
确认TensorFlow版本与基础镜像的匹配关系
直接用 python:3.9-slim 拉起TensorFlow会失败，因为官方预编译的 tensorflow 包对glibc、CUDA驱动、cuDNN版本高度敏感。最稳妥的方式是优先选用TensorFlow官方维护的Docker镜像作为base。
- CPU环境：用
tensorflow/tensorflow:2.15.0-py3（对应Python 3.11）或tensorflow/tensorflow:2.13.0-py3（更兼容3.9/3.10） - GPU环境：必须用
tensorflow/tensorflow:2.15.0-gpu，且宿主机需已安装NVIDIA Container Toolkit和匹配的驱动（>=525） - 别硬装
pip install tensorflow—— 在alpine或slim镜像里大概率触发ImportError: libcublas.so.11: cannot open shared object file
Dockerfile中正确声明WORKDIR与依赖安装顺序
TensorFlow模型加载、tf.keras.models.load_model() 或自定义层序列化常依赖当前工作路径。若 WORKDIR 设错，容器内运行时可能报 OSError: SavedModel file does not exist。
- 始终在
COPY代码前声明WORKDIR /app，避免路径拼接出错 -
requirements.txt中把tensorflow放第一行，其他包（如numpy,pillow）放其后——防止pip因依赖冲突回退安装旧版TF - 如果用了
tf.data+ 大文件读取，建议加RUN apt-get update && apt-get install -y libglib2.0-0（解决GStreamer相关warning）
GPU容器启动时必须显式挂载设备与设置runtime
即使Dockerfile用了 tensorflow/tensorflow:2.x-gpu，不加 --gpus all 或 --runtime=nvidia（旧版Docker），容器仍以CPU模式运行，tf.config.list_physical_devices('GPU') 返回空列表。
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 启动命令必须含
docker run --gpus all -it my-tf-app - 检查宿主机GPU可见性：
nvidia-smi能看到卡，但容器内执行nvidia-smi报错？说明没挂载/dev/nvidiactl等设备节点——用--device手动补全不如直接用--gpus - 若用Docker Compose，写成
deploy: { resources: { reservations: { devices: [{ driver: 'nvidia', count: all, capabilities: [gpu] }] } } }，别只写runtime: nvidia（Docker 20.10+已弃用）
验证容器内TensorFlow行为是否与本地一致
常见坑是容器里 tf.function 编译失败、tf.data.Dataset.from_generator 卡住，或混合精度训练 tf.keras.mixed_precision.set_global_policy("mixed_float16") 报 InvalidArgumentError: No OpKernel was registered to support Op 'Conv2D' —— 这些往往不是代码问题，而是镜像环境缺失关键组件。
立即学习“Python免费学习笔记（深入）”；
- 进容器后先跑
python -c "import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices())" - 测试一个最小可训模型：
model = tf.keras.Sequential([tf.keras.layers.Dense(1)]); model.compile('sgd', 'mse'); model.train_on_batch([[1.]], [[0.]]) - 若用SavedModel格式加载，确保保存时用
save_format='tf'（而非h5），且容器内路径权限为755，非root用户也能读
TensorFlow容器化真正的复杂点不在Dockerfile语法，而在于它把底层C++运行时、CUDA工具链、Python ABI三者耦合得极紧；一个版本号差0.0.1，或者宿主机驱动差一个小版本，就可能让整个pipeline静默降级到CPU甚至崩溃。动手前务必查清 tensorflow PyPI页的“Compatible CUDA/cuDNN versions”表格，再核对宿主机 nvidia-smi 和 nvcc --version 输出。
