向AI转型的程序员都关注了这个号👇👇👇

人工智能大数据与深度学习公众号：datayx

用 Docker 安装深度学习环境，轻量、方便！整个系统大小仅需2~3G，用完还能带着走！一人装环境，全班都能用，还有 NVIDIA 官方提供的 GPU 镜像等着你哦~

深度学习环境的配置一直是一个令人头疼的问题，尤其是对使用 Windows 平台的用户来说，在安装一些开源深度学习框架的时候，经常会遇到一起奇奇怪怪的问题。

为了避免出现环境问题，有些同学选择使用 VMware、VirtualBox 运行 Linux 虚拟机的方式进行深度学习实验。但是像 VMware、VirtualBox 这类“重”虚拟机运行起来常会拖慢系统。

所以今天要分享给大家的是使用 Docker 配置安装深度学习环境。

使用Docker安装环境的优点如下：

无需自己配置环境，通过 Docker 镜像可以使用各种已配置好的深度学习环境。
轻量便捷。一个 Docker 客户端+一个镜像，总共大约3~4G即可组成一个深度学习系统环境。
便于分享。可以将自己的环境通过镜像库或直接以文件拷贝的方式传播。
官方支持。很多深度学习框架&项目提供官方 Docker 镜像。

英伟达专门提供的支持GPU虚拟化的Docker镜像：

实战：9步创建深度学习环境

如何使用 Docker 创建并分享一个深度学习环境呢？需要9个步骤：

使用阿里云镜像站点加速服务
Docker-machine
从阿里云镜像获取一个与需求相似的镜像
把镜像从库里拖拽过来！
查看并运行镜像
将容器的修改提交到镜像中
将镜像上传到阿里云镜像仓库中
将镜像打包为独立文件
测试分享出的 Docker 镜像

docker在windows上的安装

首先，我们进入docker官网，下载安装文件，网址为：https://docs.docker.com/docker-for-windows/install/

1.使用阿里云镜像站点加速服务

在安装 Docker 后，理论上我们就可以去 Docker Hub 上寻找我们想用的镜像了。不过在国内访问国外的 Docker Hub 速度是非常慢的，所以我选择使用阿里云的镜像仓库。

访问：https://cr.console.aliyun.com/cn-hangzhou/instances/mirrors

注册阿里云账户并登录。

选择 Docker 镜像加速器。

在这个界面里我们可以看到属于自己的镜像加速器地址。我们要把这个加速地址配置到 Docker 里，从而让 Docker 默认从加速地址中寻找并下载镜像。

Linux 操作系统的配置都是通过修改 daemon 配置文件完成的，这个配置看起来比较简单。

Mac 以及 Windows 操作系统由于系统限制，必须使用 docker-machine 来配置加速地址。

2.Docker-machine?

docker-machine 本质上是又是另一种虚拟机（怎么那么多虚拟机），我们暂且把它理解为一个自带 Docker 的 VirtualBox 虚拟机。

上图配置中第一条命令的意义是：使用阿里的加速地址创建一个 docker-machine 虚拟机并启动。

后三条命令的意义是：通过配置环境变量（只在本终端中有效）用 docker-machine 虚拟机中的 Docker 环境覆盖宿主机系统环境。

执行这三条命令后：

在 Docker-machine 运行期间，在当前的宿主机终端中执行的 Docker 命令，实际上都是由 docker-machine 虚拟机中的 Docker 环境执行的，因为只有 docker-machine 虚拟机配置了阿里的加速地址。

3.从阿里云镜像获取一个与需求相似的镜像

在镜像加速器地址配置完毕后，我们就可以去寻找需要的 Docker 镜像了。

我想找个已经安装好 Python3.6 的镜像，以便进一步安装最新的 PyTorch 以及其它相关的软件包，那么我搜索“python36”。

4.把镜像从库里拽过来！

可以点击镜像详情，查看镜像的外网地址，然后把镜像拽到本地上来（之前必须已经配置好阿里加速器）。

docker pull registry.cn-shenzhen.aliyuncs.com

5.查看并运行镜像

我们可以使用命令 docker images 查看镜像信息：

使用 docker run 命令将镜像运行为可交互的 shell：

在命令中：

-t:在新容器内指定一个伪终端或终端。
-i:允许你对容器内的标准输入 (STDIN) 进行交互。

在命令运行后，我们可以观察到当前 shell 里的提示符已经从“Alex-MacBook-Pro”已经改成了“root@f8ad6eb17624”，这证明我们已经在 Docker 容器的系统环境中了。

我们按照常规的方式安装深度学习环境，比如用 pip 命令安装 PyTorch、torchvision 等软件包，并将项目源码拷贝到运行的容器中。

在宿主机与 Docker 容器间拷贝数据可使用 docker cp 命令。

在容器里进行一系列的操作后，我们的工作完成，可以运行 exit 命令退出当前 shell。

此时我们可以观察一下当前的容器（docker ps -al）与之前的镜像（docker images），可以看到容器与镜像同时独立存在，并且可以看到在容器中正在运行的项目（交互shell，即/bin/bash）。

6.将容器的修改提交到镜像中

假设我们在容器里安装了新的软件包并且跑通了自己的项目，现在打算把容器提交成镜像分享给其它小伙伴。

需要操作的流程如下：

首先查看容器的ID（docker ps -al）：

将容器提交到镜像中，同时我们给它指定新的名字（docker commit [ID] [NEW_name]）：

提交完成后我们再查看本机存在的镜像（docker images）：

可以看到经我们修改后的新镜像“python36/pytorch”独立存在。

有句话叫“取之于民，用之于民”。

我们可以把这个包含最新版 PyTorch 环境的镜像上传到阿里云的镜像库中，让更多的人可以使用我们的镜像。

7.将镜像上传到阿里云镜像仓库中

我们首先在阿里云上创建一个镜像仓库：

然后我们需要在当前的终端中登录阿里云仓库（之前必须配置了阿里云加速器）：

docker login --username=USER_NAME registry.cn-hangzhou.aliyuncs.com

要把镜像上传到指定的镜像库，需要先对镜像进行命名。整个名字由冒号“:”分成两部分，前部分是我们在上一步建立的镜像仓库的地址，后部分是对当前镜像打的标签（TAG）。TAG的存在是为了允许一个镜像库里存在多个版本的镜像。

好，这时候万事具备了，我们运行 push 命令将镜像推送到云镜像库中。

在上传结束后，我们就可以在云镜像库的web管理界面看到我们的镜像了。

8.将镜像打包为独立文件

除了上传云镜像库，我们也可以直接将镜像打包成一个独立文件，拷贝分享给别人使用。

同样，我们使用命令 docker images 查看镜像的名字，再使用 docker save -o 将目标镜像打包成文件。

9.测试分享出的 Docker 镜像

现在让我们测试下之前导出的镜像。

首先尝试导入刚刚在本地打包的镜像：

导入成功。

再试下从阿里云镜像库中把之前建立的镜像 pull 下来：

大功告成！还不快叫小伙伴一起来玩深度学习

docker 常用命令

1、安装docker，参考 https://www.runoob.com/docker/docker-tutorial.html

2、下载自己需要的镜像，可以在github上搜，比如pytorch的镜像 https://github.com/anibali/docker-pytorch

docker pull anibali/pytorch:cuda-10.0

3、通过docker images查看自己机器上有的镜像

4、创建容器并且进入（如果只是更新镜像内的软件包，可以不用挂载本地目录）

docker run -it -v D:/data:/app --name test anibali/pytorch:cuda-10.0 /bin/bash

红色是本机想要挂载在docker容器里面的文件夹，蓝色是docker容器内挂载本机红色路径对应的文件夹，紫色是镜像名字
5、进入容器后，下载一些自己需要的包，exit退出
6、docker ps -a查看本地容器

7、更新镜像

docker commit -m="update" -a="an" 79096af84806 an:pytorch

红色是描述信息，紫色是镜像作者名字，黄色是第6步中的container id，绿色是要创建的镜像名称

8、再通过docker images可以看到更新好的镜像

9、导出镜像

docker save an:pytorch > D:/an.tar

10、在另一台有gpu的机器上导入自己制作的镜像

docker load < /home/an.tar

11、创建容器并挂载gpu

docker run -it -v /home/data:/app -v /usr/local/docker-inspur/nvidia-volumes/volume:/usr/local/nvidia:ro --volume-driver=nvidia-docker --device=/dev/nvidiactl --device=/dev/nvidia-uvm --device=/dev/nvidia-uvm-tools --device=/dev/nvidia0 --device=/dev/nvidia1 --name ajp an:pytorch /bin/bash

蓝色是挂载gpu，不同机器情况不一样

卸载nvidia驱动

rmmod nvidia

卸载驱动如果出现nv_peer_mem进程在使用nvidia，下面命令stop nv_peer_mem

/etc/init.d/nv_peer_mem start/stop/status

卸载cuda相关，cd到cuda-x.x文件夹下，以10.0为例

cd /usr/local/cuda-10.0/bin
./uninstall_cuda_10.0.pl

查看nvidia相关进程

lsmod | grep nvidia

如果没有nvidia-uvm，需要去编译一下Samples，随便编译一个就可以

cd /usr/local/NVIDIA_CUDA-10.0_Samples/0_Simple/clock
make
./clock

docker启动

systemctl start docker
service docker start

重启docker服务

systemctl restart docker
sudo service docker restart

关闭docker

systemctl stop docker
service docker stop

如果/dev里面没有显卡，运行如下

for i in 0 1 2 3 4 5; do
  node="/dev/nvidia$i"
  rm -f $node
  mknod $node c 195 $i  || echo "mknod \"$node\""
  chmod 0660 $node      || echo "chmod \"$node\""
  chown :video $node    || echo "chown \"$node\""
done
node="/dev/nvidiactl"
rm -f $node
mknod $node c 195 255   || echo "mknod \"$node\""
chmod 0666 $node        || echo "chmod \"$node\""
chown :video $node      || echo "chown \"$node\""

阅读过本文的人还看了以下文章：

TensorFlow 2.0深度学习案例实战

基于40万表格数据集TableBank，用MaskRCNN做表格检测

《基于深度学习的自然语言处理》中/英PDF

Deep Learning 中文版初版-周志华团队

【全套视频课】最全的目标检测算法系列讲解，通俗易懂！

《美团机器学习实践》_美团算法团队.pdf

《深度学习入门：基于Python的理论与实现》高清中文PDF+源码

特征提取与图像处理(第二版).pdf

python就业班学习视频，从入门到实战项目

2019最新《PyTorch自然语言处理》英、中文版PDF+源码

《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码