Ubuntu配置Docker深度学习环境_ubuntu 深度学习环境镜像

前期准备

本机为Ubuntu环境，安装了显卡驱动。可以执行nvidia-smi进行显示。

docker安装

docker的安装：

sudo apt-get install docker.io
1

docker镜像拉取：
镜像地址
在搜索中搜索cuda10.1-cudnn7选择一个符合自己需求的镜像文件

测试 docker 的 --gpus 参数是否可用

docker run --help | grep -i gpus
1

复制 docker pull 命令

docker pull meadml/cuda10.1-cudnn7-devel-ubuntu18.04-python3.6
1

查看当前存在的镜像

sudo docker images
1

通过 REPOSITORY:TAG 创建容器也可通过镜像ID创建容器

运行容器

sudo docker run --gpus all -it -v /home/nercar/docker_dir:/docker_dir meadml/cuda10.1-cudnn7-devel-ubuntu18.04-python3.6
1

/home/name/projects：/projects 意思是将本地的 /home/name/projects 路径挂载到容器中的 /projects 下，可以自己命名

检查显卡和cudn是否可用

nvidia-smi
nvcc -V
1
2

如果不可用，利用如下命令安装toolkit

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker
1
2
3
4
5
6

安装Anaconda
下载后执行命令安装

bash Anaconda3-5.3.1-Linux-x86_64.sh
1

安装后如果conda命令不可用，可以执行如下命令

source ~/.bashrc
1

创建虚拟环境

conda create -n tf14 python=3.8
1

查看环境信息

conda info -e
1

激活环境

conda activate tf14
1

安装模块

conda install tensorflow-gpu==1.14.0
1

镜像打包

显示当前容器

docker ps -a
1

通过容器创建新的镜像

sudo docker commit b3b1937bdda3 kj/docker:python_tf_gpu
1

查看镜像

docker images
1

将镜像保存为本地压缩包，后缀tar

sudo docker save kj/docker:python_tf_gpu -o kj_tf_gpu_docker.tar
1

通过压缩包导入镜像

docker load --input kj_tf_gpu_docker.tar
1

开启容器

sudo docker start b17d4704489f
1

进入容器

sudo docker attach b17d4704489f
1

拷贝本机文件到容器，需要从本机执行

sudo docker cp /home/nercar/docker_dir_f/run.py b17d4704489f:/docker_dir/run.py
1

删除容器

sudo docker rm a763a056ca15
1

删除镜像

sudo docker rmi ac04ad2a52a4
1