这是一个包含多个 Docker 镜像定义的仓库，旨在提供预配置的、针对特定用例优化的容器环境。目前包含以下服务：

• Plex Media Server: 基于 Arch Linux，支持 Intel DG1 硬件加速和色调映射。
• TensorFlow Serving: 基于 Ubuntu 22.04，支持 HDFS 模型加载，并采用多阶段构建以减小镜像体积。

此 Docker 镜像提供了一个基于 Arch Linux 的 Plex Media Server 实例，特别优化了对 Intel DG1 显卡的硬件加速支持，包括 VA-API 视频解码/编码和 OpenCL 色调映射。

• 基础镜像: archlinux:latest
• 硬件加速: 内置 intel-media-driver 和 intel-compute-runtime，为 Intel DG1 显卡提供 VA-API 和 OpenCL 支持。
• FFmpeg: 包含最新版 FFmpeg，用于媒体处理。
• 精简: 通过清理 pacman 缓存，保持镜像体积较小。

docker build -t your-repo/plex-media-server:latest ./plex.docker

为了启用硬件加速和持久化数据，您需要挂载设备和卷。

docker run -d \
  --name plex \
  --network host \
  --restart unless-stopped \
  --device /dev/dri:/dev/dri \
  -v /path/to/your/plex/config:/config \
  -v /path/to/your/media:/data \
  -v /path/to/your/transcode:/transcode \
  -e PLEX_MEDIA_SERVER_APPLICATION_SUPPORT_DIR="/config" \
  your-repo/plex-media-server:latest

参数说明:

• -d: 后台运行容器。
• --name plex: 为容器指定名称。
• --network host: 使用主机网络，简化端口映射（Plex 需要多个端口）。
• --restart unless-stopped: 容器退出时自动重启，除非手动停止。
• --device /dev/dri:/dev/dri: 关键，将主机的 /dev/dri 设备（包含 Intel GPU 设备文件）挂载到容器内，以启用硬件加速。
• -v /path/to/your/plex/config:/config: 挂载 Plex 配置目录，用于持久化设置和元数据。
• -v /path/to/your/media:/data: 挂载您的媒体文件目录。
• -v /path/to/your/transcode:/transcode: 挂载转码临时目录。
• -e PLEX_MEDIA_SERVER_APPLICATION_SUPPORT_DIR="/config": 设置 Plex 应用程序支持目录。

Plex 端口:

Plex Media Server 使用以下端口：

• 32400/tcp: 主 Web 界面和 API
• 3005/tcp: Plex Companion
• 8324/tcp: Plex for Roku
• 32469/tcp: DLNA
• 1900/udp: GDM (Plex Discovery)
• 32410/udp, 32412/udp, 32413/udp, 32414/udp: GDM

由于使用了 --network host，这些端口将直接在主机上暴露。

此 Docker 镜像提供了一个基于 Ubuntu 22.04 的 TensorFlow Serving 实例，支持从 HDFS 加载模型，并采用多阶段构建以生成一个轻量级的运行时镜像。

• 基础镜像: ubuntu:22.04
• 多阶段构建: 分为 builder 和 final 两个阶段，确保最终镜像只包含必要的运行时组件，减小体积。
• TensorFlow Serving 版本: 2.18.0 (可配置)。
• HDFS 支持: 内置 Hadoop 客户端，支持从 HDFS 加载模型。
• Python 环境: 包含 Python 3.10 及必要的库，用于模型同步脚本。
• 模型同步: entrypoint.sh 脚本会在启动 TensorFlow Serving 之前，在后台运行一个 HDFS 模型同步守护进程 (sync.py，需自行提供)。

docker build -t your-repo/tensorflow-serving:latest ./tfs.docker

您可以通过 TF_SERVING_BUILD_OPTIONS 和 TF_SERVING_BAZEL_OPTIONS ARG 参数来定制构建过程，例如：

docker build \
  --build-arg TF_SERVING_BUILD_OPTIONS="--config=opt" \
  --build-arg TF_SERVING_BAZEL_OPTIONS="--jobs=4" \
  -t your-repo/tensorflow-serving:latest ./tfs.docker

docker run -d \
  --name tf-serving \
  -p 8500:8500 \
  -p 8501:8501 \
  -v /path/to/your/local/models:/models \
  -e MODEL_NAME="my_model" \
  -e MODEL_BASE_PATH="/models" \
  your-repo/tensorflow-serving:latest

参数说明:

• -d: 后台运行容器。
• --name tf-serving: 为容器指定名称。
• -p 8500:8500: 映射 gRPC 端口。
• -p 8501:8501: 映射 REST API 端口。
• -v /path/to/your/local/models:/models: 挂载本地模型目录到容器内的 /models。
• -e MODEL_NAME="my_model": 设置要加载的模型名称。
• -e MODEL_BASE_PATH="/models": 设置模型的基础路径。

HDFS 模型加载:

如果您需要从 HDFS 加载模型，您需要确保 Hadoop 相关的环境变量和配置正确设置。entrypoint.sh 会自动设置 CLASSPATH。您还需要在容器内提供 sync.py 脚本，该脚本负责将 HDFS 上的模型同步到本地文件系统（例如 /models 目录），以便 TensorFlow Serving 可以加载它们。

注意: sync.py 脚本未包含在此仓库中，您需要根据您的 HDFS 环境和模型同步逻辑自行创建并添加到镜像中。

本仓库包含一个 GitHub Actions 工作流 (.github/workflows/docker-publish.yml)，用于自动化 Docker 镜像的构建和发布过程。该工作流通常会在代码推送到特定分支时触发，自动构建 plex.docker 和 tfs.docker 镜像并推送到配置的 Docker 镜像仓库。