基于Alpine 制作JDK的多架构镜像 —— 筑梦之路

本文介绍如何在Alpine Linux上安装JDK,包括OpenJDK和Oracle JDK的安装步骤,并提供构建多架构镜像的方法。Alpine因其小巧体积成为理想的容器基础镜像。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

安装 JDK 的话,因为 Alpine是基于MUSL libc(mini libc),所以需要安装glibc的库

官方文档:GitHub - sgerrand/alpine-pkg-glibc: A glibc compatibility layer package for Alpine Linux

GitHub - sgerrand/docker-glibc-builder: A glibc binary package builder in Docker

 官方仓库镜像:GitHub - gliderlabs/docker-alpine: Alpine Linux Docker image. Win at minimalism!

官方镜像:Docker 

官方仓库:Alpine Linux · GitHub

为什么要选择使用alpine安装JDK?

1. alpine系统非常小,几M的大小,用来作为基础镜像,可以降低构建出来的镜像尺寸大小,创建容器就很快,也节省磁盘空间

2. alpine支持多种cpu架构,适合构建多架构镜像,适配更多硬件平台。

OpenJDK

# 这里以openjdk8版本为例

#编写Dockerfile

FROM alpine

ARG VER_GLIBC=2.35-r0
ARG GLIBC_DOWNLOAD_URL=https://github.com/sgerrand/alpine-pkg-glibc/releases/download/${VER_GLIBC}

WORKDIR /root

RUN sed -i 's/dl-cdn.alpinelinux.org/mirrors.ustc.edu.cn/g' /etc/apk/repositories && apk upgrade --update-cache && \
    wget -q -O /etc/apk/keys/sgerrand.rsa.pub https://alpine-pkgs.sgerrand.com/sgerrand.rsa.pub && \
    wget ${GLIBC_DOWNLOAD_URL}/glibc-${VER_GLIBC}.apk && \
    wget ${GLIBC_DOWNLOAD_URL}/glibc-bin-${VER_GLIBC}.apk && \
    wget ${GLIBC_DOWNLOAD_URL}/glibc-i18n-${VER_GLIBC}.apk && \
    apk  add glibc-${VER_GLIBC}.apk glibc-bin-${VER_GLIBC}.apk glibc-i18n-${VER_GLIBC}.apk bash wget curl tzdata fping vim net-tools && \
    sleep 2 && \
    apk add openjdk8 && \
    rm -rf /tmp/* /var/cache/apk/* /root/* && \
    /usr/glibc-compat/bin/localedef -i en_US -f UTF-8 en_US.UTF-8 && \
    cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && ln -sf /bin/sh /bin/bash

ENV LANG=C.UTF-8 \
    TZ=Asia/Shanghai


如果需要安装openjdk11 修改为apk add openjdk11

构建多架构镜像参考:Docker 利用buildx插件构建多平台镜像——筑梦之路_筑梦之路的博客-CSDN博客_buildkitd.toml https

docker run --privileged --rm tonistiigi/binfmt --install all

docker buildx create --use --name=mybuilder-cn --driver docker-container --driver-opt image=dockerpracticesig/buildkit:master

docker buildx build --platform=linux/arm64,linux/amd64 -t jdk:openjdk8-alpine -f Dockerfile . --push

docker buildx rm mybilder-cn

OracleJDK(glibc没处理好,还存在问题)

#OracleJDK 

FROM alpine

ARG VER_GLIBC=2.35-r0
ARG GLIBC_DOWNLOAD_URL=https://github.com/sgerrand/alpine-pkg-glibc/releases/download/${VER_GLIBC}

RUN sed -i 's/dl-cdn.alpinelinux.org/mirrors.ustc.edu.cn/g' /etc/apk/repositories && \
    apk update && \
    apk add --no-cache bash curl wget vim fping tzdata net-tools ca-certificates && \
    wget -q -O /etc/apk/keys/sgerrand.rsa.pub https://alpine-pkgs.sgerrand.com/sgerrand.rsa.pub && \
    wget --no-check-certificate --timeout=900 ${GLIBC_DOWNLOAD_URL}/glibc-${VER_GLIBC}.apk && \
    wget --no-check-certificate --timeout=900 ${GLIBC_DOWNLOAD_URL}/glibc-bin-${VER_GLIBC}.apk && \
    wget --no-check-certificate --timeout=900 ${GLIBC_DOWNLOAD_URL}/glibc-i18n-${VER_GLIBC}.apk && \
    apk add glibc-${VER_GLIBC}.apk glibc-bin-${VER_GLIBC}.apk glibc-i18n-${VER_GLIBC}.apk --force && \
    cp /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && ln -sf /bin/sh /bin/bash && \
    echo "Asia/Shanghai" > /etc/timezone && \
    rm -rf /tmp/* /var/cache/apk/* glibc-${VER_GLIBC}.apk glibc-bin-${VER_GLIBC}.apk glibc-i18n-${VER_GLIBC}.apk
ADD jdk-8u351-linux-x64.tar.gz /usr/local/
ENV TZ=Asia/Shanghai \
    LANG=C.UTF-8
ENV JAVA_HOME=/usr/local/jdk1.8.0_351
ENV CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
ENV PATH=$JAVA_HOME/bin:$PATH

### 使用Transformer模型进行图像分类的方法 #### 方法概述 为了使Transformer能够应用于图像分类任务,一种有效的方式是将图像分割成固定大小的小块(patches),这些小块被线性映射为向量,并加上位置编码以保留空间信息[^2]。 #### 数据预处理 在准备输入数据的过程中,原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象,则可以按照设定好的宽度和高度参数来划分该图像。例如,对于分辨率为\(224\times 224\)像素的图像,如果选择每边切成16个部分的话,那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后,每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构 构建Vision Transformer (ViT),通常包括以下几个组成部分: - **Patch Embedding Layer**: 将每个图像块转化为低维向量; - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列; - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块; 最后,在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值