docker配置深度学习环境

版权声明：本文为博主原创文章，转载注明出处即可。 https://blog.csdn.net/bskfnvjtlyzmv867/article/details/81017226

序

阅读本篇文章可以帮你解决的问题是：提供一套解决方案，能够在支持Docker的任何版本Ubuntu系统下，搭建出完美运行各种深度学习框架、各种版本、各种环境依赖(NAIVID显卡)深度学习工程的开发环境。不仅如此，还要像在本机一样方便的修改代码运行计算。

搭建深度学习计算平台，一般需要我们在本机上安装一些必要的环境，安装系统、显卡驱动、cuda、cudnn等。而随着Docker的流行，往往能够帮我们轻松的进行环境搭建、复制与隔离，所以官方也利用容器技术与深度学习相结合，因此也出现了以下方案。

容器方案比传统方案带来更多的随意性，装系统前不需要考虑Ubuntu哪一个版本符合不符合我们的代码运行要求，我们只需要安装一个自己喜欢的（18.04完全可以），再在官网下载一下显卡驱动，或者软件源附加驱动更新一下就行了，剩下都不需要我们继续考虑。这些也非常的轻松，因为Nvidia对Ubuntu的支持越来越友好，我们只需要下载deb包，一行命令即可安装成功。

安装显卡驱动可以参照：https://blog.csdn.net/bskfnvjtlyzmv867/article/details/80102000

正式进入正文之前，确保你已经安装好趁手的系统和显卡驱动。

I. 安装Docker

关于Docker教程，详见：Docker——入门实战

安装指定版本Docker CE

这里的版本由第二部分的Nvidia Docker依赖决定，笔者在写此文时需要的版本是18.03.1，如果在安装Nvidia Docker时依赖的Docker CE版本已经变更，可以卸载重新安装需要的版本。

        sudo apt install curl
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
echo "deb [arch=amd64] https://download.docker.com/linux/ubuntu xenial edge" | sudo tee /etc/apt/sources.list.d/docker.list
sudo apt-get update && sudo apt-get install -y docker-ce=18.03.1~ce-0~ubuntu1234
    

执行这个命令后，脚本就会自动的将一切准备工作做好，并且把Docker CE 的Edge版本安装在系统中。

启动Docker CE

        sudo systemctl enable docker
sudo systemctl start docker12
    

建立docker 用户组

默认情况下，docker 命令会使用Unix socket 与Docker 引擎通讯。而只有root 用户和docker 组的用户才可以访问Docker 引擎的Unix socket。出于安全考虑，一般Ubuntu系统上不会直接使用root 用户。因此，更好地做法是将需要使用docker 的用户加入docker用户组。

        # 建立docker组
sudo groupadd docker
# 将当前用户加入docker组
sudo usermod -aG docker $USER1234
    

注销当前用户，重新登录Ubuntu，输入docker info，此时可以直接出现信息。

配置国内镜像加速

在/etc/docker/daemon.json 中写入如下内容（如果文件不存在请新建该文件）

        {
    "registry-mirrors": [
        "https://registry.docker-cn.com"
    ]
}12345
    

重新启动服务

        sudo systemctl daemon-reload
sudo systemctl restart docker12
    

II. 安装Nvidia Docker2

Nvidia Docker2项目的主页：https://github.com/NVIDIA/nvidia-docker

        # If you have nvidia-docker 1.0 installed: we need to remove it and all existing GPU containers
ocker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f
sudo apt-get purge -y nvidia-docker

# Add the package repositories
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/ubuntu16.04/amd64/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# Install nvidia-docker2 and reload the Docker daemon configuration
sudo apt-get update && sudo apt-get install -y nvidia-docker2
sudo pkill -SIGHUP dockerd

# Test nvidia-smi with the latest official CUDA image
docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi1234567891011121314
    

III. 搭建环境

拉取镜像

Nvidia官网在DockerHub中提供了关于深度学习的各个版本环境，点我…有Ubuntu14.04-18.04，Cuda6.5-9.2，Cudnn4-7，基本含盖了我们所需要的各种版本的深度学习环境，我们直接拉取镜像，在已有的镜像基础上配置我们的深度学习环境。

下载镜像，这里以ubuntu16.04、cuda8.0、cudnn5.1的版本为例，我们找到满足版本要求的TAG为8.0-cudnn5-devel-ubuntu16.04。

        # 拉取镜像
docker pull nvidia/cuda:8.0-cudnn5-devel-ubuntu16.04
# 查看镜像
docker images -a1234
    

创建启动容器

利用下载好的镜像，创建一个交互式的容器。容器需要使用nvidia显卡，需要设置额外的参数。

        docker run -it --name 自定义容器名 -v /home/你的用户名/mnist/:/home/你的用户名/mnist/ --runtime=nvidia -e NVIDIA_VISIBLE_DEVICE=0,1 nvidia/cuda:8.0-cudnn5-devel-ubuntu16.041
    

NVIDIA_VISIBLE_DEVICE参数指定对容器分配几块GPU资源；-v参数用于挂载本地目录，冒号前为宿主机目录，冒号后为容器目录，两个可以设置为一样比较方便代码书写。配置目录挂载是为了方便本文下一部分测试Mnist服务。容器启动完毕，此时，可以像正常本机配置的深度学习环境一样，测试各个软件的版本。

        nvidia-smi
nvcc -V
# 查看cudnn版本
cd /usr/lib/x86_64-linux-gnu/
ll |grep cudnn12345
    

IV. 构建环境

安装环境

在上一部分我们搭建了深度学习计算的必要环境，包括CUDA和CUDNN。然而大多数深度学习环境都是需要执行Python编写的深度学习代码的，甚至需要一些常用的深度学习框架，如TensorFlow、PyTorch等。在上一部分我们拉取的Nvidia官方提供的镜像中并没有包含Python运行环境以及任何的深度学习框架，需要我们自己安装。

附上安装环境的所有命令：

        apt-get update
# 安装Python2.7环境 3.+版本自行添加
apt-get install -y --no-install-recommends build-essential curl libfreetype6-dev libpng12-dev libzmq3-dev pkg-config python python-dev python-pip python-qt4 python-tk git vim
apt-get clean
## 安装深度学习框架 自行添加
pip --no-cache-dir install setuptools
pip --no-cache-dir install tensorflow-gpu==1.2 opencv-python Pillow scikit-image matplotlib1234567
    

构建镜像

安装好环境后，其实已经可以开始运行我们的深度学习代码了。如果你想立刻测试自己的Docker深度学习环境搭建成功与否，可以直接开始下一部分的Mnist数据集测试。

如果此时，项目组另一位小伙伴也想跑深度学习，恰好需要和你一样的环境依赖，我们完全可以“拷贝”一份配好的环境给他，他可以直接上手去使用。Docker的方便之处也体现在这，我们可以将自己定制的容器构建成镜像，可以上传到Docker Hub给别人下载，也可以生成压缩包拷贝给别人。

利用commit命令，生成一个名为homography1.0的新镜像。

        # docker commit -a "作者信息" -m "提交信息" 之前启动的容器名 自定义镜像名
docker commit -a "wangguoping" -m "deep homography environment" tensorflow1.2 homography1.012
    

至于将镜像提交Hub和拷贝就不是本文重点，也就不介绍了。

另外，这里生成镜像还有一个好处，就是第六部分结合PyCharm使用。PyCharm里面配Docker选择的是镜像(IMAGE)，而不是容器(Container)，它会根据我们选择的镜像自己帮我们启动一个容器，用来运行PyCharm里面的代码。我一开始没有搞清楚这个概念，也走了不少弯路。

V. 测试Mnist

进入上一部分挂载的目录：

        cd /home/test/mnist # test是我的用户名
vim mnist.py # 创建mnist的tensorflow代码12
    

代码内容可以参考：Tensorflow——nn、cnn、rnn玩mnist

        # coding=utf-8

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
train_img = mnist.train.images
train_lab = mnist.train.labels
test_img = mnist.test.images
test_lab = mnist.test.labels

dim_input = 784
dim_output = 10


x_data = tf.placeholder(tf.float32, [None, dim_input])  
y_real = tf.placeholder(tf.float32, [None, dim_output])

stddev = 0.1
weights = {"w_conv1": tf.Variable(tf.random_normal([3, 3, 1, 64], stddev=stddev)),
           "w_conv2": tf.Variable(tf.random_normal([3, 3, 64, 128], stddev=stddev)),
           "w_fc1": tf.Variable(tf.random_normal([7 * 7 * 128, 1024], stddev=stddev)),
           "w_fc2": tf.Variable(tf.random_normal([1024, dim_output], stddev=stddev))}

biases = {"b_conv1": tf.Variable(tf.zeros([64])),
          "b_conv2": tf.Variable(tf.zeros([128])),
          "b_fc1": tf.Variable(tf.zeros([1024])),
          "b_fc2": tf.Variable(tf.zeros([dim_output]))}


def forward_prop(_input, _w, _b, keep_prob):

    _input_r = tf.reshape(_input, shape=[-1, 28, 28, 1])

    _conv1 = tf.nn.conv2d(_input_r, _w["w_conv1"], strides=[1, 1, 1, 1], padding="SAME")
    _conv1 = tf.nn.relu(tf.nn.bias_add(_conv1, _b["b_conv1"]))

    _pool1 = tf.nn.max_pool(_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
    # dropout
    _pool_dr1 = tf.nn.dropout(_pool1, keep_prob=keep_prob)

    _conv2 = tf.nn.conv2d(_pool_dr1, _w["w_conv2"], strides=[1, 1, 1, 1], padding="SAME")
    _conv2 = tf.nn.relu(tf.nn.bias_add(_conv2, _b["b_conv2"]))
    _pool2 = tf.nn.max_pool(_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")
    _pool_dr2 = tf.nn.dropout(_pool2, keep_prob=keep_prob)


    flatten = tf.reshape(_pool_dr2, shape=[-1, _w["w_fc1"].get_shape().as_list()[0]])

    _fc1 = tf.nn.relu(tf.add(tf.matmul(flatten, _w["w_fc1"]), _b["b_fc1"]))

    _fc_dr1 = tf.nn.dropout(_fc1, keep_prob=keep_prob)

    _out = tf.nn.relu(tf.add(tf.matmul(_fc_dr1, _w["w_fc2"]), _b["b_fc2"]))

    return {"input_r": _input_r, "conv1": _conv1, "pool1": _pool1, "pool_dr1": _pool_dr1, "conv2": _conv2,
            "pool2": _pool2, "pool_dr2": _pool_dr2, "flatten": flatten, "fc1": _fc1, "fc_dr1": _fc_dr1, "out": _out}


keep_prob = tf.placeholder(tf.float32)

y_pred = forward_prop(x_data, weights, biases, keep_prob)["out"]
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y_pred, labels=y_real))
op = tf.train.GradientDescentOptimizer(learning_rate=0.001).minimize(loss)

correct = tf.equal(tf.arg_max(y_pred, 1), tf.arg_max(y_real, 1))
accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))


training_epoch = 100
batch_size = 128
display_step = 2

init = tf.global_variables_initializer()

total_batch = mnist.train.num_examples // batch_size
print("have %d batchs，each batch size is：%d" % (total_batch, batch_size))

saver = tf.train.Saver(max_to_keep=2)
is_training = True

with tf.Session() as sess:
    sess.run(init)

    if is_training:
        for epoch in range(training_epoch):
            avg_loss = 0

            for i_batch in range(total_batch):
                batch_xs, batch_ys = mnist.train.next_batch(batch_size)
                feed_dict = {x_data: batch_xs, y_real: batch_ys, keep_prob: 0.5}
                sess.run(op, feed_dict=feed_dict)
                avg_loss += sess.run(loss, feed_dict=feed_dict)

            avg_loss = avg_loss / total_batch

            if epoch % display_step == 0:
                print("Epoch:%3d/%3d, loss:%.6f" % (epoch, training_epoch, avg_loss))

                feed_dict = {x_data: batch_xs, y_real: batch_ys, keep_prob: 0.5}
                train_accuracy = sess.run(accuracy, feed_dict=feed_dict)
                print("train accuracy:%.6f" % train_accuracy)

                saver.save(sess, "MNIST_model/model.ckpt-" + str(epoch))
    else:
        saver.restore(sess, tf.train.latest_checkpoint(checkpoint_dir="MNIST_model/"))
        feed_dict = {x_data: mnist.test.images, y_real: mnist.test.labels, keep_prob: 1.0}
        test_accuracy = sess.run(accuracy, feed_dict=feed_dict)
        print("test accuracy:%.6f" % test_accuracy)

    print("end!")
    

下载Mnist数据集，保存在/home/test/mnist/MNIST_data目录下。这里需要我们修改目录权限，Docker共享目录默认只读。注意，这里切换到宿主机的终端下进行操作，可能你会问为什么不直接容器内下载，因为以后我们要跑的数据集不可能只是mnist大小，难道你要在docker里下载几十个G的数据集吗。

        sudo chmod -R a+rw /home/test/mnist
mkdir -p /home/test/mnist/MNIST_data
wget http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz123456
    

切换至Docker的终端下，运行mnist.py脚本文件，即可发现已经可以跑起来了。

        python mnist.py1
    

此时会在/home/test/mnist下产生MNSIT_model文件夹，里面保存着训练生成的模型。

VI. PyCharm+Docker

Mnist已经测试成功，基本的Docker+Deep Learning方案演示已经完成。然而，我一直不喜欢命令行修改代码，运行脚本，查看结果，我十分推崇PyCharm去调试Python。比如，当Mnist训练完毕，我需要修改第80行的is_training = False来测试我训练出的模型，没有PyCharm，我需要通过vim修改mnist.py，然后再输入python来运行。可能你会觉得也不是很麻烦，如果需要修改模型，更换网络，甚至重构代码呢？

所以能用IDE尽量还是让PyCharm来开发我们代码，我们只需要编码，点击运行，剩下的其他操作我都不太愿意去干，一行命令都懒得敲，毕竟懒嘛！

PyCharm在2018的Profession版本之后都是提供Docker的功能的，可以利用容器中的Python解释器为我们的代码提供运行条件。利用PyCharm，你可以像在使用本机的深度学习环境一样，无需考虑因容器带来的过多的繁琐操作。官方关于Docker的使用文档参见：http://www.jetbrains.com/help/pycharm/run-debug-configuration-docker.html

在Settings的Build下有一个Docker选项，右侧添加，PyCharm默认会给我们设置好选择Unix Socket的方式与Docker守护进程进行通信。出现Connection successful即可，点击OK。

添加成功后，PyCharm下方会出现docker的窗口，可以可视化的查看镜像与容器的相关信息。其中的homography1.0:latsest是我们上一步构建的镜像。

下面新建一个Python的解释器，类似于本地的Python创建虚拟环境。

按照图示新建，点击OK，即可发现导入容器的Python解释器已经拥有了全部的第三方Python库以及深度学习框架。

等待PyCharm导入容器的解释器成功，理论上我们便可以开始点击运行按钮跑起我们的代码了。但实际还有两个问题需要解决。

首先，PyCharm会根据我们的镜像来启动一个容器运行我们的代码，然而PyCharm并不知道我们是要运行深度学习程序，需要利用Nvidia Docker使用GPU资源。我们之前是通过配置–runtime=nvidia参数来启动一个可以使用GPU的容器，那我们只要指定PyCharm启动一个容器的时候也带上这个参数就好。

另一个问题就是，我们现在跑的程序是读取宿主机上某个目录下的几十个G的数据集，好像Docker也不知道数据在哪里，毕竟我们没有挂载。同样，模型它也不会帮我们保存，一旦程序运行结束，PyCharm启动的容器销毁，所有的结果都没了，程序白跑了，所以我们也要指定-v参数告诉PyCharm挂载什么目录。

解决这两个问题，在PyCharm的Run/Debug Configuration中，可以配置。

点击Docker Container settings右边的按钮，添加上面所说的两个参数即可。

坑的是，你发现没法加入–runtime参数。然而，还是找到了解决方案。把default-runtime”: “nvidia”添加到/etc/docker/daemon.json文件中。这个文件也是我们配置国内镜像加速的文件。

        {
    "registry-mirrors": [
        "https://registry.docker-cn.com"
    ],
    "default-runtime": "nvidia",
    "runtimes": {
        "nvidia": {
            "path": "/usr/bin/nvidia-container-runtime",
            "runtimeArgs": []
        }
    }
}123456789101112
    

修改完毕，需要重启docker服务。

        sudo systemctl daemon-reload
sudo systemctl restart docker12
    

好了，大功告成，点击运行，跑起来~~

VII. 结语

Docker还是有很多技巧的，短暂几天也只学了个皮毛，用于深度学习也十分不错。官方也有很多构建好的深度学习环境镜像，包含了主流的深度学习框架，可以再Docker Hub自行搜索。实验室电脑有时候还是很奇葩的，需要耐心解决，积极的去利用一些新的技术解决难题应该是更应该考虑的事情。

原文：https://www.cnblogs.com/muyangshaonian/p/9885885.html