|
机器学习已是大数据分析的必备手段,我们尝试在Linux(Ubuntu 18.04)下搭建一个基于Docker的Tensorflow+Cuda环境,以用于学习、试验等。
关于Docker的安装和使用请参考我以前的博客内容。我们这里使用的是Tensorflow 1.12,使用前还需查看其对GPU的相关要求。
可以lspci | grep -i nvidia
查看自己机子的N卡,也可以ubuntu-drivers devices
查看系统给出的配置及驱动推荐,这时,我们可以直接ubuntu-drivers autoinstall
进行安装,完成并重启后,可通过nvidia-smi
验证安装是否成功并查看N卡的状态。
可以参考官方github文档以及相应的FAQ等。
# apt自己升个级 $ sudo apt-get update # 添加nvidia-docker的官方GPG key及distribution list $ curl -sL https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - $ distribution=$(. /etc/os-release;echo $ID$VERSION_ID) $ curl -sL https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list # 接下来apt再自己升个级 $ sudo apt-get update # 安装nvidia-docker $ sudo apt-get install nvidia-docker2
测试一下吧。
# cuda镜像可参见https://hub.docker.com/r/nvidia/cuda $ docker pull nvidia/cuda:9.0-cudnn7-devel # 测试 $ docker run --runtime=nvidia --rm nvidia/cuda:9.0-cudnn7-devel nvidia-smi
可以参考官方文档以及相应的FAQ等。
# tensorflow镜像可参见https://hub.docker.com/r/tensorflow/tensorflow/ # 也可以去https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/dockerfiles/自行build $ docker pull tensorflow/tensorflow:1.12.0-devel-gpu-py3 # 测试 $ docker run --runtime=nvidia -it --rm tensorflow/tensorflow:1.12.0-devel-gpu-py3 python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))" # 喜欢jupyter的可以 $ docker run --runtime=nvidia -d -v yourdir:/notebooks -p 8888:8888 tensorflow/tensorflow:1.12.0-devel-gpu-py3 jupyter notebook --notebook-dir=/notebooks --ip 0.0.0.0 --no-browser --allow-root
以上便设置好了一个基本的机器学习环境,后续我们也可以根据自己的需求DIY相应的Docker,再接再励吧。
原文链接https://wenlongshen.github.io/2019/01/16/Docker-Tensorflow-Cuda/
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-11-11 01:42
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社