Docker环境下构建Conv2D模型卡住，本地运行正常求助

问题背景 #

本地运行正常的Conv2D代码，在Docker容器中执行时卡住：

shortcut = tensorflow.keras.layers.Conv2D(filters, 1, strides=stride, use_bias=False, kernel_initializer='glorot_normal', name=name + '_0_conv')(x)

参数说明：filters=64，stride=2，name="conv2_block1"

相关配置文件 #

Dockerfile内容 #

FROM python:3.7.9-buster

RUN apt-get update \
    && apt-get install -y -qq \
    && apt install cmake -y \
    && apt-get install ffmpeg libsm6 libxext6  -y\
    && apt-get clean

RUN pip3 install --upgrade pip

# Install libraries
COPY ./requirements.txt ./
RUN pip install -r requirements.txt && \
    rm ./requirements.txt

RUN pip install fire

# Setup container directories
RUN mkdir /app

# Copy local code to the container
COPY . /app

# launch server with gunicorn
WORKDIR /app
EXPOSE 8080
ENV PORT 8080

ENV FLASK_CONF config.ProductionConfig

CMD exec gunicorn --bind :$PORT main:app  --preload --workers 9 --threads 5 --timeout 120

requirements.txt内容 #

opencv-python
tensorflow==2.2.0
protobuf==3.20.*
cmake
dlib
numpy==1.16.*

排查与解决步骤 #

1. 修复TensorFlow与Protobuf版本兼容性 #

TensorFlow 2.2.0官方要求的Protobuf版本为3.9.2，你使用的3.20.*版本差异过大，会导致底层通信异常引发卡住。

• 修改requirements.txt中的Protobuf版本：

  protobuf==3.9.2
  

2. 调整Gunicorn多进程配置 #

--preload模式下启动9个workers，会导致TensorFlow图初始化在预加载阶段完成，多进程环境下的CPU/GPU资源竞争极易引发死锁：

• 先减少workers数量至1-2个，或直接移除--preload参数：

  CMD exec gunicorn --bind :$PORT main:app --workers 2 --threads 5 --timeout 120
  

  若需保留--preload，则将workers设为1，避免多进程资源冲突。

3. 增加Docker容器资源配额 #

默认Docker资源限制可能不足，导致Conv2D层初始化时因资源耗尽卡住。启动容器时可手动分配资源：

docker run --cpus 4 --memory 8g your-image-name

4. 验证TensorFlow基础功能 #

在容器内运行极简测试代码，确认是否为Conv2D特定问题：

import tensorflow as tf
print(tf.__version__)
x = tf.random.normal((1, 64, 64, 3))
conv = tf.keras.layers.Conv2D(64, 1, strides=2)(x)
print(conv.shape)

若这段代码也卡住，说明是TensorFlow环境问题；否则排查业务代码中输入张量x的异常。

5. 升级Numpy版本 #

TensorFlow 2.2.0推荐的Numpy版本为1.18.x，你使用的1.16.*版本过低，可能引发数组处理兼容性问题：

• 修改requirements.txt中的Numpy版本：

  numpy==1.18.5
  

内容的提问来源于stack exchange，提问作者Saket Mishra