如何基于docker搭建一个tensorflow机器学习平台。要求这是一个分布式的环境（至少有3台docker），即每次都要在这几台docker里分配任务。

好的，我可以给您提供一些基本的步骤：

1. 首先，您需要在每台docker容器中安装Tensorflow和必要的依赖。可以使用pip或conda安装Tensorflow。建议使用相同版本的Tensorflow，以避免兼容性问题。

2. 接下来，您需要设置Tensorflow集群。可以使用官方提供的Cluster API，或者使用第三方库，如TFDeploy。设置集群时，需要将每台docker容器映射到一个唯一的名称或IP地址。

3. 在每台docker容器中运行Tensorflow worker，并将它们添加到集群中。您可以使用命令行或编写脚本来完成这个过程。例如，使用以下命令将一个worker添加到集群中：

   python tensorflow/tools/dist_test/python/mnist_replica.py --job_name=worker --task_index=0 --ps_hosts=192.168.0.1:2222,192.168.0.2:2222 --worker_hosts=192.168.0.3:2222

其中，`ps_hosts`是Parameter Server的地址，`worker_hosts`是worker的地址。

4. 确保每台docker容器都可以相互通信。可以使用docker的网络功能，或者直接使用主机网络，具体取决于您的设置。

5. 最后，您可以使用Tensorflow的分布式训练功能，在集群中分配任务。您可以使用命令行或编写脚本来完成这个过程。例如，使用以下命令启动一个Tensorflow任务：

   python tensorflow/models/image/mnist/convolutional.py --ps_hosts=192.168.0.1:2222,192.168.0.2:2222 --worker_hosts=192.168.0.3:2222,192.168.0.4:2222 --job_name=worker --task_index=0

其中，`ps_hosts`是Parameter Server的地址，`worker_hosts`是worker的地址。

以上是一个大致的步骤，具体实现可能会有所不同。希望能对您有所帮助。