基于docker的ubuntu云服务器jupyter深度学习环境配置指南-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于docker的ubuntu云服务器jupyter深度学习环境配置指南。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

step1

安装docker

文档中的命令如下：

sudo apt-get update
sudo apt-get install ca-certificates curl gnupg
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
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
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin
sudo docker run hello-world

如果回显如下所示，则说明成功：
基于docker的ubuntu云服务器jupyter深度学习环境配置指南,服务器,docker,ubuntu,jupyter,python

step2

安装Nvidia-docker
根据官方文档中的命令跑就行了

如果出现了以下回显，说明安装成功
基于docker的ubuntu云服务器jupyter深度学习环境配置指南,服务器,docker,ubuntu,jupyter,python

exception 1

需要注意的是，在运行最后一步命令时：
sudo docker run --rm --runtime=nvidia --gpus all nvidia/cuda:11.6.2-base-ubuntu20.04 nvidia-smi
如果报错如下：

docker: Error response from daemon: failed to create task for container: failed to create shim task: OCI runtime create failed: runc create failed: unable to start container process: error during container init: error running hook #0: error running hook: exit status 1, stdout: , stderr: Auto-detected mode as 'legacy'
nvidia-container-cli: requirement error: unsatisfied condition: cuda>=11.6, please update your driver to a newer version, or use an earlier cuda container: unknown.

说明cuda版本和Nvidia-docker版本不对应，此时需要找到和自己的cuda对应的Nvidia-docker。

查看cuda版本

通过命令nvidia-smi可以看到自己的cuda版本：
基于docker的ubuntu云服务器jupyter深度学习环境配置指南,服务器,docker,ubuntu,jupyter,python
在上图的右上角可以看出我的cuda版本为11.2

找对应的cuda镜像

在docker官网中nvidia目录下找到自己的cuda对应的镜像即可。

命令中，11.6.2-base-ubuntu20.04是镜像名，11.6.2是应该对应的cuda版本

基于docker的ubuntu云服务器jupyter深度学习环境配置指南,服务器,docker,ubuntu,jupyter,python
找到对应版本的镜像后，将sudo docker run --rm --runtime=nvidia --gpus all nvidia/cuda:11.6.2-base-ubuntu20.04 nvidia-smi中的11.6.2-base-ubuntu20.04替换为对应版本的镜像名，比如11.2.2-base-ubuntu20.04

step3

安装jupyter深度学习镜像

sudo docker pull ufoym/deepo:all-jupyter-py36-cu100

安装好了后可使用docker images查看：

基于docker的ubuntu云服务器jupyter深度学习环境配置指南,服务器,docker,ubuntu,jupyter,python

step4

启动docker

sudo docker run -it \
						-p 8080:8888 \
						--ipc=host \
						-v /home/ubuntu/jupyter:/jupyterRoot \
						--gpus all \
						--shm-size 16G \
						--name jupyter_notebook  \
						cf60a305ba7b

其中，容器中的/jupyterRoot文件夹被映射到本机的/home/ubuntu/jupyter文件夹中

运行结束该命令后，应该已经进入容器了

启动jupyter notebook

生成密钥

# 初始化jupyter_notebook_config.py
$ jupyter notebook --generate-config
 
# 生成密钥
$ ipython
[1]:from notebook.auth import passwd
[2]:passwd()
Enter password: XXXX  # 这里输入登录密码
Verify password: XXXX
Out[2]: '生成的一串密钥'
# 密钥的格式应该是sha1:xxxxxx:xxxxxxx,注意保存生成的密钥  

exit #退出生成密钥

写jupyter配置文件

# 编辑jupyter_notebook_config.py
# 如果你不知道jupyter_notebook_config.py，可以使用find命令找一下
$ vim /root/.jupyter/jupyter_notebook_config.py
 
# 设置c.NotebookApp.password，注意前面加 u，把密钥（sha1:xxxx:xxxx）全部复制过来
c.NotebookApp.password=u'生成的一串密钥'
 
## 设置外部访问
# 连通性设置
c.NotebookApp.allow_remote_access = True

# ip设置
c.NotebookApp.ip='0.0.0.0'  # 自动获取服务器ip

# 打开root权限启动
c.NotebookApp.allow_root =True

# 禁止自动打开浏览器
c.NotebookApp.open_browser = False

# 端口设置
c.NotebookApp.port = 8888  # 创建docker时候配置的容器内部服务的端口号

启动jupyter notebook

# 使用后台模式启动jupyter notebook
nohup jupyter notebook --allow-root&

然后退出容器，访问本机ip:8080即可

docker中jupyter notebook的python环境配置

思路：将anaconda安装脚本放到映射文件夹中，在jupyter中运行安装脚本，然后就可使用conda配置python环境。

需要注意的是，安装好conda后，需要使用exec bash才能切换到conda的环境中
基于docker的ubuntu云服务器jupyter深度学习环境配置指南,服务器,docker,ubuntu,jupyter,python 文章来源地址https://www.toymoban.com/news/detail-537771.html