原文链接：https://github.com/Unity-Technologies/ml-agents/blob/master/docs/Using-Docker.md

ML-Agents使用Docker 运行 ML-Agents

目前我们为希望使用Docker进行训练或推理的Windows和Mac用户提供了解决方案。这个选项对那些想避免自己安装Python和TensorFlow的人来说可能很有吸引力。目前的配置强制使TensorFlow和Unity只依靠CPU进行计算。因此，我们的Docker仿真不使用GPU而使用Xvfb进行可视化渲染。 Xvfb是一种实用程序，它使ML-Agent（或任何其他应用程序）能够虚拟地进行渲染，即它不会假定运行ML-Agents的机器具有附加的GPU或显示器。这意味着如果环境中涉及Agent使用基于摄像头进行视觉观察可能会变慢。

要求

Unity Linux Build Support Component
Docker

配置

下载Unity安装程序并添加Linux Build Support组件
如果您没有在您的机器上安装它，请下载并安装Docker
由于Docker在与主机隔离的环境中运行容器，需要使用主机中的一个目录用于共享数据，例如， Unity可执行文件，训练文件和TensorFlow图形。为了方便起见，我们为此目的在存储库的根目录下创建了一个空的unity-volumn目录，当然也可以随意使用任何其他目录。本指南的其余部分假设unity-volumn目录是使用的目录。

用法

使用Docker 运行 ML-Agents涉及三个步骤：使用特定标志构建Unity环境，构建Docker容器，最后运行容器。如果您不熟悉为ML-Agents构建Unity环境，请首先阅读我们的3D平衡球示例指南入门指南。

建立环境

由于Docker通常运行的容器与主机共享（linux）内核，因此Unity环境构建须指向Linux平台。在构建Unity环境时，请从Build Settings窗口中选择以下选项：

将Target Platform设置为Linux
将Architecture设置为x86_64
如果环境不包含视觉观察，则可以在此处选择headless选项。

然后点击Build，选择一个环境名称（例如3DBall）并将输出目录设置为unity-volumn。构建完成后，请确保在unity-volumn下创建文件<environment-name> .x86_64和子目录<environment-name> _Data /。

构建Docker容器

首先，确保Docker引擎正在您的机器上运行。然后通过在存储库的顶层调用以下命令来构建Docker容器：

docker build -t <image-name> .

将<image-name>替换为Docker镜像的名称，例如balance.ball.v0.1。

运行Docker容器

通过在存储库的顶层调用以下命令来运行Docker容器：

docker run --name <container-name> \
           --mount type=bind,source="$(pwd)"/unity-volume,target=/unity-volume \
           <image-name>:latest <environment-name> \
           --docker-target-name=unity-volume \
           --train \
           --run-id=<run-id>

参数值的注释：

<container-name>用于标识容器（以方便中断和终止容器）。这是可选的，如果没有设置，Docker会生成一个随机名称。请注意，对于Docker镜像的每次运行，这必须是唯一的。
<image-name>和<environment-name>：分别引用镜像和环境名称。
source：引用您的主机操作系统中存储Unity可执行文件的路径。
target：指示Docker将源路径挂载为具有该名称的磁盘。
docker-target-name：告诉ML-Agents Python软件包它可以读取Unity可执行文件并存储图形的磁盘名称。因此这应该与target相同。
train，run-id：传递给learn.py的ML-Agents参数。train训练算法，run-id用于标记每个训练的唯一标识符。

对于3DBall环境，例如这将是：

docker run --name 3DBallContainer.first.trial \
           --mount type=bind,source="$(pwd)"/unity-volume,target=/unity-volume \
           balance.ball.v0.1:latest 3DBall \
           --docker-target-name=unity-volume \
           --train \
           --run-id=3dball_first_trial

有关Docker安装的更多详细信息，请查看Docker中的这些文档。

停止容器和保存状态

如果您对训练进度感到满意，则可以在使用Ctrl + C或⌘+ C（Mac）或使用以下命令保存状态时停止Docker容器：

docker kill --signal=SIGINT <container-name>

<container-name>是在先前的docker run命令中指定的容器的名称。如果你没有指定，你可以通过运行docker container ls找到随机生成的标识符。