docker︱在nvidia-docker中使用tensorflow-gpu/jupyter

岁酱吖の 提交于 2019-12-04 08:38:13

docker小白…
搭建基础:宿主机已经有CUDA8.0

进出快捷键:

  • ctrl+d 退出容器且关闭, docker ps 查看无
  • ctrl+p+q 退出容器但不关闭, docker ps 查看有
  • 使用docker restart命令重启容器
  • 使用docker attach命令进入容器


一、安装

参考:Docker Compose + GPU + TensorFlow = ❤️

Docker版本分为CE(community edution)和EE(enterprise edition)。
安装docker

curl -sSL https://get.docker.com/ | sh

当然,一般来说,这么curl会比较慢,也可以参考:阿里云服务器上安装和测试docker

# 安装版本库
sudo yum install -y yum-utils \
  device-mapper-persistent-data \
  lvm2
  
sudo yum-config-manager \
    --add-repo \
    https://download.docker.com/linux/centos/docker-ce.repo


yum install docker-ce

安装Nvidia Docker

wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.1/nvidia-docker_1.0.1-1_amd64.deb
sudo dpkg -i /tmp/nvidia-docker*.deb

通过以下命令来检验是否成功:

nvidia-docker run --rm nvidia/cuda nvidia-smi
  • 执行的时候可能会报错:
Error: unsupported CUDA version: driver 8.0 < image 9.0.176 

所以需要指定一下版本:

nvidia-docker run --rm nvidia/cuda:8.0-devel nvidia-smi
  • 可能报错二:
docker: Error response from daemon: create nvidia_driver_367.48: create nvidia_driver_367.48: Error looking up volume plugin nvidia-docker: legacy plugin: plugin not found.
See 'docker run --help'.

使用下面命令查看nvidia-docker 是否启动

systemctl status nvidia-docker

可能报错三:

docker: Error response from daemon: create nvidia_driver_390.30: create nvidia_driver_390.30: Error looking up volume plugin nvidia-docker: legacy plugin: plugin not found.

或者:

docker: Error response from daemon: create nvidia_driver_390.30: found reference to volume 'nvidia_driver_390.30' in driver 'nvidia-docker', but got an error while checking the driver: error while checking if volume "nvidia_driver_390.30" exists in driver "nvidia-docker": Post http://%2Fvar%2Flib%2Fnvidia-docker%2Fnvidia-docker.sock/VolumeDriver.Get: dial unix /var/lib/nvidia-docker/nvidia-docker.sock: connect: connection refused: volume name must be unique.
See 'docker run --help'.

需要重启nvidia-docker服务:

systemctl start nvidia-docker 
systemctl status nvidia-docker

网上说的:start nvidia-docker 是错误的!

.


二、nvidia-smi的使用

1、拉取镜像、开启容器

当一台机器有很多个GPU可以通过NV_GPU来指定,
通过-v将宿主机下的/data1/matt/docker文件夹与docker之中的/mnt共享文件
matt/docker是容器名称

NV_GPU=1 nvidia-docker run -v /matt/docker:/mnt $container --rm -ti matt/docker bash

tensorflow官网有个镜像拉取方式:

sudo docker run -it --rm $DEVICES -v /usr/lib64/nvidia/:/usr/local/nvidia/lib64 tensorflow/tensorflow:latest-gpu bash

有一个nvidia关于CUDA8的镜像:

sudo nvidia-docker run --rm -ti nvidia/cuda:8.0 bash

从docker hub上拉取镜像:

docker pull mattzheng/docker_gpu

最简单的启动:

nvidia-docker run --rm -ti <镜像名字>
docker attach <容器名字>  # 已打开的容器

.

2.上传容器与创建镜像

创建镜像,容器名字叫device-query

nvidia-docker build -t device-query

上传容器到docker hub之上,
(1)先得在网站注册:https://hub.docker.com/
(2)在terminal,中键入docker login输入账号与密码,就与Hub联通了

sudo docker push mattzheng/device-query

.

3.容器与镜像删减

镜像操作

docker images #查看有哪些镜像
docker rmi image_id #删除镜像ID或者名称都可以

容器操作

docker ps -a  # 容器参考
docker container ls # 参考容器
docker rm container_id #删除容器 

容器停止:

docker ps -a | grep <container-id>
docker stop <container-id>

有时候很难删除镜像:

# 第一种
Error response from daemon: conflict: unable to delete e4b9e4f71238 (must be forced) - image is being used by stopped container 1e359ad4363d
# 第二种
Error response from daemon: conflict: unable to delete 1dc4f730b414 (cannot be forced) - image has dependent child images

第一种代表有依赖的容器,需要根据容器名称,docker rm进行删除。
第二种,因为有child,需要删除依赖的image,可以根据tag来进行删除,

docker rm REPOSITORY:TAG    # 根据TAG删除容器

.
4.容器改名

sudo nvidia-docker tag tensorflow/tensorflow:latest-gpu matt/nvidia-docker

把这个容器tensorflow/tensorflow:latest-gpu,改成名字matt/nvidia-docker
.

5.容器的保存

如何对容器进行保存防止退出后全部修改消失

  • (1)预先获取docker ps -l的容器ID
  • (2)然后从新复制一个新的容器:
docker commit 1610c46c28bd matt/test

docker commit -m="has update" -a="matt" fc4bd61a4af2 matt/docker:5.2

冒号之后是tag名称,可以继续更新,需要注意,关闭之前,需要apt-get update

.
6.在tensorflow容器中打开Jupyter notebook

官方:https://hub.docker.com/r/tensorflow/tensorflow/

nvidia-docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu

然后就可以用http://localhost:8888/ 打开该jupyter。
但是如果是,宿主机是远程Linux服务器,你想在远程调用服务器中docker的Jupyter notebook。因为会跟宿主机的IP起冲突,所以需要指定以下IP,在重启的时候:

sudo nvidia-docker run -it -p 7777:8888 mattzheng/docker_gpu_1

也就是把docker中的8888端口,赋值到宿主机的7777端口,这样不会与其他冲突。
其中,第一次打开输入的密码,是toke之后的内容,本图中的为:
0375ddd82c0417e55dddf4d3bf7f9dcba9530e89391a6163

这里写图片描述

打开容器之后就可以启动了:

jupyter notebook --allow-root

或者要在Jupyter中同时使用Py2 py3的话,可以参考

pip2 install ipython notebook
pip3 install ipython notebook
ipython2 kernelspec install-self
ipython3 kernelspec install-self 

就可以使用了,重启后,会出现pip3/pip2

主题换色(参考:https://github.com/dunovank/jupyter-themes):

安装主题包:

!pip install --upgrade jupyterthemes
# 用 solarized-light 主题,代码字体是 inputmono,字号 12 点,界面字体 sourcesans,输出字体 sourcesans,开启工具栏,开启标题栏
!jt -t solarized-light -f inputmono -fs 12 -nf sourcesans -tf sourcesans -T -N

执行后重新打开即可。参考模板型号:

Available Themes: 
   chesterish
   grade3
   gruvboxd
   gruvboxl
   monokai
   oceans16
   onedork
   solarizedd
   solarizedl
延伸一:如果修改Jupyter notebook密码

可以参考 :Running a notebook server在服务器上执行:jupyter notebook --generate-config
记录下生成的配置文件位置,例如:/home/.jupyter/jupyter_notebook_config.py
打开jupyter,新建一个notebook,生成密码的sha1秘钥,代码如下:

from notebook.auth import passwd
passwd()

在文本框中输入并确认一次密码后记录sha1秘钥值,如 'sha1:XXXXXXX'
将这段值按如下格式粘贴到配置文件jupyter_notebook_config.py末尾

c.NotebookApp.password = u'sha1:XXXXXXX'

重启jupyter,重新打开网页即可

延伸二:报错:OSError: [Errno 99] Cannot assign requested address

启动的时候需要:

jupyter notebook --ip=0.0.0.0 --no-browser --allow-root

.
7.在容器中打开nvidia/digits

nvidia-docker run --name digits -p 5000:5000 nvidia/digits

.


三、tensorflow安装

tensorflow/tensorflow:latest-gpu版本中,没有pip3

需要安装一下:

apt-get update
apt-get install python3-pip

然后利用pip3安装tensorflow以及keras(官网链接):

apt-get install libcupti-dev
apt-get install python3-pip python3-dev python-virtualenv
virtualenv --system-site-packages -p python3 targetDirectory
pip3 install tensorflow-gpu
pip3 install keras

之后想安装opencv,但是有一些依赖很容易导致报错:

apt-get install libsm6 libxrender1 libfontconfig1
apt-get install -y python-qt4
pip3 install opencv-python

不然有可能会报错:

ImportError: libSM.so.6: cannot open shared object file: No such file or directory
ImportError: libXext.so.6: cannot open shared object file: No such file or directory

如果也同时需要安装Keras,除了pip install keras,不然会报错:python ImportError:load_weightsrequires h5py.
还需要加载:

pip3 install h5py

.


延伸:

最长的开docker命令:

NV_GPU=1 nvidia-docker run -it -p 7777:8888 -v /data/matt/docker:/mnt $container --rm -ti matt/docker bash

延伸二:

出现Unable to locate package问题,则需要:

apt-get update

在使用会出现的UnicodeEncodeError: 'ascii' codec can't encode character '\uff08' in position 0: ordinal not in range(128)错误:
系统出现不能识别中文,需要加载中文字体:zh_CN.UTF-8(参考博客:docker 学习笔记——解决Ubuntu中文乱码问题

延伸三:上传至阿里云

参考:https://blog.csdn.net/qq_16605855/article/details/79961933
4 管理Docker Hub镜像站点:配置Docker加速器

链接:https://cr.console.aliyun.com/?spm=5176.1971733.0.2.duOGn4#/accelerator

5 创建镜像仓库的命名空间

例如:msj

链接:https://cr.console.aliyun.com/?spm=5176.1971733.0.2.duOGn4#/namespace/index

6 创建镜像仓库

例如:image-test

链接:https://cr.console.aliyun.com/?spm=5176.1971733.0.2.duOGn4#/imageList

然后通过这段code就可以上传自己的docker到自己的阿里云:

  $ sudo docker login --username= registry.cn-hangzhou.aliyuncs.com
  $ sudo docker tag [ImageId] registry.cn-hangzhou.aliyuncs.com/matt_docker/nvidia-docker:[镜像版本号]
  $ sudo docker push registry.cn-hangzhou.aliyuncs.com/matt_docker/nvidia-docker:[镜像版本号]

延伸三:docker 之中screen 与主机的环境不一样,py版本不一样

这样的情况需要在screen之中设置环境变量:

    export CONDA_DEFAULT_ENV=py36
    export CONDA_PREFIX=/miniconda/envs/$CONDA_DEFAULT_ENV
    export PATH=$CONDA_PREFIX/bin:$PATH
    export CONDA_AUTO_UPDATE_CONDA=false

这个是在某个conda环境下,进行的设置范例。


**公众号“素质云笔记”定期更新博客内容:**
![这里写图片描述](https://img-blog.csdn.net/20180226155348545?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc2luYXRfMjY5MTczODM=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

参考:

CentOS Linux 安裝與使用 NVIDIA Docker GPU 計算環境教學
Docker 中玩转 GPU
Using TensorFlow via Docker
Docker Compose + GPU + TensorFlow = ❤️
Docker基礎教程

我的博客即将同步至腾讯云+社区,邀请大家一同入驻。

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!