5分钟搭建强大又好用的深度学习环境

为深度学习项目建立一个良好的环境不是一件容易的任务。因为需要处理的事情太多了:库必须匹配特定的版本，整个环境需要可以复制到其他机器上，所有东西都需要能够机器中的所有驱动程序通信。这意味着你需要为你的NVIDIA GPU安装特定的驱动程序，并且CUDA库必须与你的驱动程序和你想要使用的框架兼容。

为深度学习项目建立一个良好的环境不是一件容易的任务。因为需要处理的事情太多了:库必须匹配特定的版本，整个环境需要可以复制到其他机器上，所有东西都需要能够机器中的所有驱动程序通信。这意味着你需要为你的NVIDIA GPU安装特定的驱动程序，并且CUDA库必须与你的驱动程序和你想要使用的框架兼容。

[[385488]]

随着容器彻底改变了软件开发的世界，现在它们也可以帮助数据科学家构建更健壮的环境。

有一件事是肯定的:数据科学可以从软件开发领域学到一些东西。

NVIDIA NGC是一个软件中心，提供gpu优化框架、预训练模型和工具包来培训和部署生产中的AI。它是一个容器注册中心，包含训练模型所需的所有工具:无论您使用的是caffee2、Pytorch、Tensorflow、Keras、Julia还是其他工具都没有关系。

在NGC目录中有大量可生产的容器，你只需要选择你自己想用的。

Nvidia NGC不仅是一个容器注册中心，它还内置了许多功能，可以帮助您的组织将模型带到生产环境中。

从头开始

让我们从一台配备了GPU的Linux机器开始(GPU不是强制性的，但如果你想训练模型，强烈建议使用GPU)。我在Ubuntu 20.04 LTS和18.04 LTS上测试了这个功能，但是可以很容易地适应其他Linux发行版。

我们需要做什么?

步骤很简单，我们只需要安装NVIDIA驱动程序和Docker。然后我们下载我们想要的docker镜像并开始工作!

第一步:在Ubuntu 20.04上安装NVIDIA驱动程序

注意:如果你使用的是另一个Ubuntu版本，请确保你修改了相应的脚本。此外，如果启用了Secure Boot，这种方法也不起作用。

sudoaptinstalllinux-headers-$(uname-r)
curl-Ohttps://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudomvcuda-ubuntu2004.pin/etc/apt/preferences.d/cuda-repository-pin-600
sudoapt-keyadv - fetch-keyshttps://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub
sudoadd-apt-repository"debhttps://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64//"
sudoaptupdate
sudoapt-yinstallcuda

使用nvidia-smi命令验证安装。你应该看到这样的东西。

第二步:在Ubuntu 20.04中安装Docker

#!/bin/sh
#Setuptherepository
sudoapt-getupdate
sudoapt-getinstall-y\
apt-transport-https\
ca-certificates\
curl\
gnupg-agent\
software-properties-common
#AddDocker’sofficialGPGkey:
curl-fsSLhttps://download.docker.com/linux/ubuntu/gpg|sudoapt-keyadd-
#setupthestablerepository
sudoadd-apt-repository\
"deb[arch=amd64]https://download.docker.com/linux/ubuntu\
$(lsb_release-cs)\
stable"
sudoapt-getupdate
sudoapt-getinstall-ydocker-cedocker-ce-clicontainerd.io
#Substituteubuntuwithyourusername
sudousermod-aGdockerubuntu

注意:你需要注销和登录，以在没有sudo权限的情况下使用docker命令。

第三步:让Docker与NVIDIA driver通信

curl-s-Lhttps://nvidia.github.io/nvidia-docker/gpgkey|\
sudoapt-keyadd-
curl-s-Lhttps://nvidia.github.io/nvidia-docker/ubuntu16.04/amd64/nvidia-docker.list|\
sudotee/etc/apt/sources.list.d/nvidia-docker.list
sudoaptupdate
sudoapt-getinstall-ydockernvidia-container-toolkit

我们现在想测试Docker是否能够与NVIDIA驱动程序通信。要做到这一点，只需运行以下命令，您应该会看到与步骤1类似的结果。

sudodockerrun--rm--gpusallnvidia/cuda:11.0-basenvidia-smi

注意:我在不同的云主机提供商上试验过，根据操作系统、虚拟机类型和gpu，此时可能需要重启。因此，如果出现错误，请尝试sudo reboot并再次执行上述命令。正常的话应该看到nvidia-smi结果。

第四步:让我们获取镜像并运行它!

#DownloadNGCTensorflow2Image
dockerpullnvcr.io/nvidia/tensorflow:20.12-tf2-py3
#createlocal_dirfoldermountedat/container_dirinthecontainer
mkdir/home/ubuntu/local_dir
dockerrun--gpusall--shm-size=1g--ulimitmemlock=-1--ulimitstack=67108864-it--rm-v/home/ubuntu/local_dir:/container_dirnvcr.io/nvidia/tensorflow:20.10-tf2-py3

注意:flags - shm-size=1g - ulimit memlock=-1 - ulimit stack=67108864是必要的，为了避免操作系统限制资源分配给Docker容器。

我们现在进入了容器，让我们看看是否一切正常。

正如你从图片中看到的，GPU是可用的，tensorflow可以使用它。

最后:访问docker环境

当您断开与机器的连接时，您将注意到您已经不在容器内了。

要再次连接，你需要使用docker ps找到正在运行的容器的container_ id，然后:

dockerexec-it<containerid>/bin/bash</containerid>

最后总结

在本教程中，我们发现使用NVIDIA NGC的图像创建一个具有所有库和工具的生产就绪环境是多么容易。

我们看到了配置Docker使其与NVIDIA驱动程序和所需框架通信是多么容易。

我们在5分钟内完成了所有这些工作