2023保姆级：深度学习环境在Docker上搭建（基于Linux和WSL）_docker配置深度学习环境

深度学习环境在Docker上搭建（基于Linux和WSL）

一、深度学习环境配置选择

在深度学习领域，配置环境的常见做法是使用conda来实现环境隔离。conda是一个广泛使用的工具，用于创建和管理特定的环境，通过在不同的环境中设置特定的Python环境变量路径，实现了环境的特异化。为了实现这一目的，需要将终端置于conda的管理之下。如果你已经安装了conda，你可能已经注意到在bash中需要执行conda init bash（在Windows上则是conda init pwsh）来初始化conda的bash或powershell配置。

Docker作为一种虚拟化技术，利用镜像作为基础配置，可以轻松地创建和管理容器。容器是一种轻量级的虚拟化技术，使得应用程序及其依赖可以在独立的运行环境中运行，而不会影响宿主操作系统或其他容器。Docker的出现为服务器管理带来了新的可能性。通过使用容器化技术，我们可以更加灵活地组织和运行应用程序，实现更高效、可靠的服务器管理。越来越多的服务器使用了Docker进行管理，我们就有必要学习一下相关知识。

这里介绍使用Docker作为深度学习环境的配置方法，配置上手比conda多了一点点难度，但是在使用上却方便了很多。

二、为什么使用 Docker 配置深度学习环境

作者的原因是这样的：

1. 在Windows上编写代码，但是并不想破坏电脑的原有环境。
2. 服务器资源并不能完全给作者独占太久的时间，因此写完后希望能在本地的Windows电脑上进行Debug和训练时间评估。
3. 训练仍然是服务器上训练，但是服务器是Linux环境，希望保持环境的一致性，并不想因为Windows和Linux的差异影响代码运行，更专注于代码而不是环境差异性。
4. conda似乎也能实现上述部分要求，但是如果需要不同版本的cuda环境，就无能为力了。比如作者之前遇到过服务器cuda版本不允许降级，但是安装mindspore框架在高版本的cuda下频繁报错。

不推荐使用Docker的几个方面

1. 使用Docker作为深度学习环境，首先你的服务器上存在Docker，这样才有意义。如果服务器没有Docker，而是conda环境，完全没必要学习Docker做自己的开发环境。
2. 使用Docker作为深度学习环境，需要了解制作Docker镜像，和保存镜像的命令。作者在Windows上首先搭建了一个基础镜像，然后通过SSH连进容器中。配置好环境之后，通过docker commit保存当前容器为新的镜像，再通过docker save导出迁移到服务器上。进阶版还需要掌握Dockerfile的语法，如果你觉得这个过程很难理解，也没有必要学习Docker作开发环境。

在硬件方面，首先，在 WSL2 的发布之前，Docker 在 Windows 上完全是以虚拟机的形式实现的，这意味着不小的性能损耗，并且不支持 GPU 的调用，想用 Docker 在 Windows 平台炼丹的复杂程度堪比登天。WSL2 作为微软拥抱 Linux 社区的一份贡献，使得 Docker 现在完全可以通过 WSL2 来原生运行。

在 Win11 环境中大约有 66% 在 Ubuntu2004 中的机器学习速度，而在 WSL2 中则有 80% 的在Ubuntu2004 中的机器学习速度。使用Docker的炼丹更快！

其次，Docker 是跨平台的，如果 80% 的炼丹速度对你有困扰，完全可以在将你的 Docker 炼丹环境上传到云端，在 Linux 服务器上安装 Docker 之后，再从云端拉取下来，完全可以像 Git 使用代码一样使用深度学习环境。使用 Docker 的跨平台兼容性更好！

最后，使用 Conda 配置 Cuda 炼丹环境，通常情况下除去 Conda 不说，还需要安装 Nvidia 显卡驱动，还有cudatools 包、cudnn 包等等。这些包体积都很大，而且服务器都在国外，下载速度很堪忧。而 Docker 的镜像已经包含了这些包，只需要等待 Docker 镜像下载完成，就能实现开箱即用。使用 Docker 搭建环境速度块！

Conda 和 Docker 环境搭建流程：

三、Docker 深度学习环境搭建

在 Linux 上搭建

以 Ubuntu2004 版本为例（Docker官方安装教程）：

安装 Nvidia 驱动

这里推荐在官网上下载 官方 GeForce 驱动程序 | NVIDIA 。执行前先给驱动文件执行权限

sudo chmod 777 <driver-name>.run
./<driver-name>.run
1
2

Docker旧版本卸载（可选）

在安装Docker引擎之前，必须首先确保卸载任何冲突的软件包（也就是旧版本的Docker组件）。Ubuntu在apt仓库中提供了Docker软件包的非官方分发版，该版本由Ubuntu负责维护和发行，必须先卸载这些软件包，然后才能安装Docker Engine的官方版本。

要卸载的非官方软件包:

• docker.io

• docker-compose

• docker-doc

• podman-docker

  for pkg in docker.io docker-doc docker-compose podman-docker containerd runc; do sudo apt-get remove $pkg; done
1

apt-get可能会报告没有安装这些软件包，这是因为之前并没有安装过Docker。

安装Docker的apt仓库

添加Docker官方仓库的GPG key：

sudo install -m 0755 -d /etc/apt/keyrings
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg
sudo chmod a+r /etc/apt/keyrings/docker.gpg
1
2
3

配置仓库：

echo \
  "deb [arch="$(dpkg --print-architecture)" signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \
  "$(. /etc/os-release && echo "$VERSION_CODENAME")" stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
1
2
3
4

安装Docker Engine

使用apt来进行安装：

sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin
1
2

拉取镜像

docker镜像提倡精简，也同时意味着少了很多必要的库，报错缺少库依赖也很常见。当然作者早就为深度学习定制了更好用的镜像，作者使用的镜像相关信息在 DockerHub可以查询到，镜像相应的 DockerFile 在 GitHub 上也可以查到。

 //无conda，基于cuda12.0内置了pytorch2.0。
 //镜像由于预装好了pytorch2.0，体积比较大，约9.35GB
 docker pull mortals/codeenv:pytorch2.0-cuda12.0
 //预装miniconda，基于cuda12.0，无pytorch
 //镜像体积约4.85GB
 docker pull mortals/codeenv:conda-cuda12.0
 //同时约有基于cuda11.8的镜像
 //镜像体积约为3.78GB
 docker pull mortals/codeenv:conda-cuda11.8
1
2
3
4
5
6
7
8
9

作者在镜像中提供了两个方便的脚本sshstart.sh和jupyter.sh ，分别用来配置SSH服务自启动和开启Jupyter服务。使用这两个脚本请提前在容器配置对应的端口映射。SSH服务端口为22，Jupyter服务端口在8888

docker run -it -v D:/project:/opt/project -p 8822:22 -p 6006:6006 -p 8888:8888  --gpus all --shm-size 16G --restart=always mortals/codeenv:pytorch2.0-cuda12.0 /bin/bash
1

如果上述镜像仍不能满足你的需求，可以从Github获取作者的Dockerfile，修改镜像的系统版本，然后自行编译。

 FROM nvidia/cuda:11.8.0-devel-ubuntu20.04
1

Docker常见题：

1. 通常情况下会发生没有权限执行Docker命令，需要添加Docker用户组。

   sudo groupadd docker 
   sudo usermod -aG docker ${USER}
   sudo systemctl restart docker
   su root             
   su ${USER}          
   1
   2
   3
   4
   5

2. 如果之前多次重复安装，docker命令会在终端无效，但是在Pycharm中还能使用。这是因为Docker Engine的镜像，容器，卷和自定义配置文件位置在 /var/lib/docker 和/var/lib/containerd，但是重复安装的Docker在home用户目录中又创建了./docker目录，Docker指令读取的都是home用户下Docker文件，当然会显示无法执行，处理办法很简答：

   sudo rm -rf ~/.docker/
   1

3. 是否要安装nvidia-docker的问题。Docker 19版本之后，就可以原生支持GPU调用，过去GPU Docker所需要的Runtime被集成到Docker中了，使用时只需要添加--gpus参数来控制。这里可能会出现添加完--gpus all参数，将所有GPU都分配给容器，仍然无法使用GPU，或者nvidia-smi成功运行，但是无法调用GPU进行训练。需要添加容器的环境变量NVIDIA_DRIVER_CAPABILITIES=compute,utility和NVIDIA_VISIBLE_DEVICES=all

   例如：

   docker run -itd --gpus all --name 容器名 -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all 镜像名
   1

   或者在Dockerfile中添加：

   ENV NVIDIA_VISIBLE_DEVICES=all NVIDIA_DRIVER_CAPABILITIES=compute,utility\
       LD_LIBRARY_PATH=/usr/local/nvidia/lib:/usr/local/nvidia/lib64
   1
   2

开启远程Docker

可选（但是不推荐）：如果希望能远程链接到 Linux 上的 Docker 容器，那么执行以下命令：

echo 'export DOCKER_HOST=tcp://0.0.0.0:2375' >> /etc/profile
source /etc/profile
1
2

在 Windows 上搭建

写者使用的是 Windows11 ，因此默认已经开启了 WSL2 。请确认已经开启了 hyper-v 虚拟化，这包含两部分：一个是 CPU 虚拟化支持，这个需要在 BIOS 中开启（AMD 为 SVM；Intel 为 Intel-vt）。如果已经开启虚拟化支持，在任务管理器中可以看到虚拟化已启用。

另一个是 Windows 的 Hyper-V 功能开启，这个功能默认是关闭的。（注意，台式机主板重置后会默认关闭）

WSL2 安装就比较简单了，直接在 Microsoft Store 中直接搜索 Windows Subsystem for Linux 安装。

再安装你喜欢的 Linux 发行版，写者使用的是 Ubuntu20.04 LTS， 与写者在实验室的环境一致，方便后期到服务器运行代码。这里注意，配置完账户和密码后，一般是不需要进 WSL 内部继续设置了。

安装 Docker Desktop ，这里是官网下载：Docker Desktop release notes | Docker Documentation；

如果有其他安装问题，这是官方指导文档：Install Docker Desktop on Windows | Docker Documentation；

拉取镜像

docker镜像提倡精简，也同时意味着少了很多必要的库，报错缺少库依赖也很常见。当然作者早就为深度学习定制了更好用的镜像，作者使用的镜像相关信息在 DockerHub可以查询到，镜像相应的 DockerFile 在 GitHub 上也可以查到。

 //无conda，基于cuda12.0内置了pytorch2.0。
 //镜像由于预装好了pytorch2.0，体积比较大，约9.35GB
 docker pull mortals/codeenv:pytorch2.0-cuda12.0
 //预装miniconda，基于cuda12.0，无pytorch
 //镜像体积约4.85GB
 docker pull mortals/codeenv:conda-cuda12.0
 //同时约有基于cuda11.8的镜像
 //镜像体积约为3.78GB
 docker pull mortals/codeenv:conda-cuda11.8
1
2
3
4
5
6
7
8
9

作者在镜像中提供了两个方便的脚本sshstart.sh和jupyter.sh ，分别用来配置SSH服务自启动和开启Jupyter服务。使用这两个脚本请提前在容器配置对应的端口映射。SSH服务端口为22，Jupyter服务端口在8888

docker run -it -v D:/project:/opt/project -p 8822:22 -p 6006:6006 -p 8888:8888  --gpus all --shm-size 16G --restart=always mortals/codeenv:pytorch2.0-cuda12.0 /bin/bash
1

如果上述镜像仍不能满足你的需求，可以从Github获取作者的Dockerfile，修改镜像的系统版本，然后自行编译。

 FROM nvidia/cuda:11.8.0-devel-ubuntu20.04
1

Windows Docker常见问题：

1. 怎么处理Windows下与WSL虚拟机数据穿透。

   1. 可以直接把数据复制到WSL中，Docker主要是Linux平台的虚拟化，因此WSL中IO性能损失小。
   2. 也可以利用Docker的挂载选项，将数据集所在的Windows文件夹映射到Docker中。作者这里时这样用的-v D:\project:/opt/project

2. Windows中安装的Docker和在WSL中安装的Docker有什么区别，在Windos中安装过Docker后还需要在WSL中安装吗？

   Docker Desktop在2021年推出了WSL整合的版本，也就是说Windows的Docker调用的是WSL中Linux 发行版的Docker。在Windos中安装过Docker后不需要在WSL中安装。

3. Windows 中需要安装nvidia-docker吗？

   不需要。Docker 19版本之后，就可以原生支持GPU调用，过去GPU Docker所需要的Runtime被集成到Docker中了，使用时只需要添加--gpus参数来控制。这里可能会出现添加完--gpus all参数，将所有GPU都分配给容器，仍然无法使用GPU，或者nvidia-smi成功运行，但是无法调用GPU进行训练。需要添加容器的环境变量NVIDIA_DRIVER_CAPABILITIES=compute,utility和NVIDIA_VISIBLE_DEVICES=all

4. WSL有没有图形界面（GUI）

   有，WSLg项目，可以自行搜索。但是这里作者觉得没啥用。

开启远程Docker

可选（但是不推荐）：如果希望远程链接 Docker 容器，则需要勾选 Docker Desktop 中设置/General/Expose daemon on tcp://localhost:2375 without TLS；

开启 Docker 远程链接

但是作者发现，仅能使用 tcp://localhost:2375 访问，就算是本机局域网 IP 都无法连接到。那么我们可以使用端口转发，并在防火墙中开启这个端口。管理员权限打开 CMD 使用以下指令修改：（注意修改your-public-ip）

netsh interface portproxy add v4tov4 listenport=2375 connectaddress=127.0.0.1 connectport=2375 listenaddress=<your-public-ip> protocol=tcp
1

如果不用这个 IP ，管理员权限打开 CMD 使用以下指令删除端口转发 ：（注意修改your-public-ip）

netsh interface portproxy delete v4tov4 listenaddress=192.168.191.6 listenport=2375
1

最后如果发现不能访问，打开防火墙端口：

netsh advfirewall firewall add rule name="docker_daemon" dir=in action=allow protocol=TCP localport=2375
1

四、在 PyCharm 使用 Docker 环境

添加Docker服务

在插件中安装 Docker 插件（默认捆绑）。注意，这里需要 PyCharm 专业版，社区版的 Docker 支持不完整。

添加 Docker 连接。在左下角边栏有“服务”（service）选项，选中该选项中顶部 “+”选项

添加 Docker 连接，弹出菜单对话框，Windows 默认使用 Docker for WIndows，Linux 可以使用 Unix socket点击确定；如果是远程链接，使用 tcp 套接字，填入自己的ip后，点击确定。

新建 Docker 连接

添加 Docker 注册表 ，这个是为了添加自己的 Docker 账户，拉去和推送镜像更方便。

容器管理

Docker容器可以通过命令行进行管理：

docker run -it -v D:/project:/opt/project -p 8822:22 -p 6006:6006 -p 8888:8888  --gpus all --shm-size 16G --restart=always mortals/codeenv:pytorch2.0-cuda12.0 /bin/bash
1

也可以预设PyCharm的配置来管理，最后完成之后的配置结果如下图：

Python解释器添加

添加 Docker 镜像的 Python 编译器。点击右下角的编译器名字，可以添加解释器。

添加容器中SSH的Python解释器

这里作者更推荐使用SSH连接容器，方便配置环境，以及运行程序。

这里选择系统解释器，并找到你的系统解释器路径。如果是使用作者的镜像conda-cuda11.8，那么请先在容器内创建环境之后，再添加下图中的"系统解释器"，路径为/opt/conda/envs/环境名称/bin/python3 ,请注意配置好你的同步文件夹路径，不然你的代码就无法正常同步。

添加Docker的Python解释器

如果使用Docker请按照下面这个步骤：

因为之前已经连接过了 Docker ，因此可以在这里选择”拉取或使用现有内容“，之后点击确定就可以完成了。

这里选择系统解释器，并找到你的系统解释器路径。如果是使用作者的镜像conda-cuda11.8，那么请先在容器内创建环境之后，再添加下图中的"Conda环境"，路径为/opt/conda/envs/环境名称/bin/python3。

这样在你的Python解释器列表中就存在这些编译器了。

Run配置

如果使用SSH的Python编译器，只需要选择默认编译器为指定编译器即可。

如果想直接使用Docker作为Python解释器，可以参考作者的设置（这需要上一步你的Docker环境配置好，不然还是建议通过SSH连接如容器中使用）。

到此位置，Docker 深度学习环境已经可以使用了。

附注：在 WSL2 中 Docker 调用 Nvidia GPU 使用 CUDA 训练模型

在很多几年前的博客和教程中，大多数是安装使用 nvidia-docker 来调用GPU，然后如果是在 WSL 中还需要安装 Nvidia 显卡的 CUDA 驱动。

作者在多日的研究 WSL2 和 Docker 文档中，发现 WSL2 已经可以透传 GPU 使用。也就是在 Windows 安装过Nvidia 驱动之后，直接可以在 WSL2 中使用 GPU，可以测试 nvidia-smi 来查看驱动。由于驱动向后兼容，尽量把驱动升级到最新，这样支持的 CUDA 的相关工具更多，尽量避免使用容器中的 CUDA 工具包不兼容出现的奇奇怪怪的 bug 。

Docker 19版本之后，就可以原生支持GPU调用，过去GPU Docker所需要的Runtime被集成到Docker中了，使用时只需要添加--gpus参数来控制。这里可能会出现添加完--gpus all参数，将所有GPU都分配给容器，仍然无法使用GPU，或者nvidia-smi成功运行，但是无法调用GPU进行训练。需要添加容器的环境变量NVIDIA_DRIVER_CAPABILITIES=compute,utility和NVIDIA_VISIBLE_DEVICES=all

Docker 也支持了 WSL2 GPU 透传，这就不需要再专门下载 Nvidia-docker ，使用方法就是加入运行参数--gpus

WSLg 支持

这是 Linux 原生图形化支持。需要将 \wsl$\Ubuntu-20.04\mnt\wslg.X11-unix\ 映射到 /tmp/.X11-unix。（这里是路径选择方式）