从头安装与使用一个docker GPU环境-Toy模板网

这篇具有很好参考价值的文章主要介绍了从头安装与使用一个docker GPU环境。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。

欢迎使用GPU版docker安装使用说明

使用官方教程安装docker

导入源仓库的GPG key

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -

将 Docker APT 软件源添加到你的系统

sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"

安装命令如下：

 curl -fsSL https://test.docker.com -o test-docker.sh
 sudo sh test-docker.sh

验证安装过程，查看安装的docker 版本，如果返回docker 版本，证明安装成功

docker -v

新建一个GPU版docker环境

在 Docker 中寻找专为深度学习和 GPU 计算准备的基础镜像，通常您会使用 Docker Hub，这是 Docker 的官方镜像仓库，包含了大量的社区和官方维护的镜像。对于深度学习和 GPU 计算，有几个关键的镜像资源您可以利用：

官方深度学习框架镜像：比如 PyTorch 和 TensorFlow 的官方镜像通常已经配置了适合深度学习的环境。在 Docker Hub 上搜索 pytorch/pytorch 或 tensorflow/tensorflow。

要查找这些镜像，您可以在 Docker Hub 的搜索栏中输入关键字，比如 “CUDA”、“PyTorch” 或 “TensorFlow”。选择镜像时，请注意镜像的标签，这些标签表示了不同版本的 CUDA 或深度学习框架。

例如，为了找到适合 PyTorch 和 CUDA 的镜像，您可以在 Docker Hub 上搜索 pytorch/pytorch，然后选择一个标签，比如 1.7.1-cuda11.0-cudnn8-runtime，这个标签意味着这个镜像包含了 PyTorch 1.7.1，CUDA 11.0 和 cuDNN 8。

一旦找到合适的镜像，您可以使用 docker pull 命令来下载它，例如：

docker pull nvidia/cuda:11.1-base

或

docker pull pytorch/pytorch:1.7.1-cuda11.0-cudnn8-runtime

测试 GPU 访问，要测试 Docker 是否可以访问 GPU，您可以运行一个带有 CUDA 支持的测试镜像，例如：

docker run --gpus all nvidia/cuda:10.0-base nvidia-smi

docker: Error response from daemon: could not select device driver “” with capabilities: [[gpu]].
ERRO[0000] error waiting for container: context canceled
表明 Docker 无法识别或使用 GPU。这通常是因为您的系统缺少所需的 NVIDIA 容器运行时或相应的配置不正确。以下是解决这个问题的几个步骤：
1、安装 NVIDIA Docker 插件
如果您正在使用 Docker 19.03 或更早的版本，您需要安装 nvidia-docker2。对于 Docker 19.03 及以后的版本，虽然有了原生的 GPU 支持，但您仍然需要 NVIDIA 容器工具包。

2、添加 NVIDIA 容器库:

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

3、安装 NVIDIA Docker:

sudo apt-get update
sudo apt-get install -y nvidia-docker2

4、重启 Docker 服务:

sudo systemctl restart docker

5、验证 NVIDIA Docker 安装
运行以下命令来验证 NVIDIA Docker 是否正确安装：

docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

出现如下界面表明容器可成功调用本地GPU，之后就是配置容器需要的代码插件。
从头安装与使用一个docker GPU环境,ssh远程登录,python标准库,docker,容器,运维

调用docker环境执行本地python文件

1、定位您的 Python 文件：

确定您要执行的 Python 文件的路径。例如，假设您的文件位于 /path/to/your/script.py。

2、选择或创建 Docker 镜像：

确保您有一个包含所需 Python 版本和依赖库的 Docker 镜像。假设您使用的是 liqiang12689/laconda:v1 镜像。

3、运行 Docker 容器并挂载文件：

使用 Docker 的 -v 参数将本地文件或目录挂载到容器中。以下命令将本地目录 /path/to/your 挂载到容器的 /app 目录，并以交互模式启动容器：

docker run -it -v /path/to/your:/app liqiang12689/laconda:v1 /bin/bash

这样，容器内的 /app 目录现在包含您的 Python 文件。

4、在容器内执行 Python 文件：

容器启动后，您将进入其命令行界面。切换到挂载的目录：

cd /app

5、然后，使用 Python 运行您的脚本：

python script.py  # 或 python3 script.py，取决于您的 Python 版本

这将执行您的本地 Python 脚本 script.py。

6、退出容器：

完成后，您可以通过输入 exit 或按 Ctrl+D 退出容器。

请记住，如果您的 Python 脚本有任何外部依赖或特定的环境需求，您需要确保这些依赖在 Docker 镜像中可用。您可能需要创建一个自定义 Docker 镜像，其中包含您的代码依赖项，或者在运行容器之前手动安装它们。文章来源地址https://www.toymoban.com/news/detail-783288.html

到了这里，关于从头安装与使用一个docker GPU环境的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！