选项一：将包添加到容器：

docker exec <container_name> pip install ...

缺点是每次重新创建容器时都必须重复此操作。

选项二：创建您自己的图像，使用TensorFlow图像作为基础

创建一个名为Dockerfile的文件：

FROM tensorflow/tensorflow:latest-gpu-jupyter  # change if necessary
RUN pip install ...
# Visit https://docs.docker.com/engine/reference/builder/ for format reference

然后从中构建一个图像：

cd /directory/with/the/Dockerfile
docker build -t my-tf-image .

然后使用您自己的图像运行：

docker run --gpus all -d -v /some/data:/data my-tf-image

我还建议在开发环境中使用docker-compose，这样你就不必记住所有这些命令。您可以创建一个docker-compose.yml并使用YAML格式描述容器。然后你可以只构建docker-compose build，运行docker-compose up。

从我的经验来看，我总是发现创建一个通用的Docker镜像并将您的需求安装到其中要好得多。我知道你最初的问题要求使用Tensorflow Docker镜像，但我会留下这个答案供参考。下面是一个简单的Dockerfile用途：

# Base image, you can change it as you want
FROM python:3.10-slim-buster

# Install necessary system dependencies
RUN apt-get update \
    && apt-get install -y --no-install-recommends \
        build-essential \
        libblas3 \
        liblapack3 \
        libopenblas-dev \
        liblapack-dev \
        libatlas-base-dev \
        gfortran \
    && rm -rf /var/lib/apt/lists/*

# Install Python dependencies
COPY requirements.txt /app/requirements.txt
WORKDIR /app
RUN pip install --no-cache-dir --upgrade pip \
    && pip install --no-cache-dir -r requirements.txt \
    && rm -rf /root/.cache/pip

您可以使用以下命令构建映像：docker build -t my_image .