目录
- docker和nvidia-docker的区别
- docker安装
- docker-nvidia安装
- 使用docker安装gpu版本的pytorch
- 安装JupyterLab （可以选择不安装）
- 命令解读
docker和nvidia-docker的区别
nvidia-docker是一个可以使用GPU的docker，nvidia-docker是在docker上做了一层封装，通过nvidia-docker-plugin，然后调用到docker上，其最终实现的还是在docker的启动命令上携带一些必要的参数。因此在安装nvidia-docker之前，需要先安装docker。
docker原生并不支持在他生成的容器中使用Nvidia GP资源。nvidia-docker是对docker的封装，提供一些必要的组件可以很方便的在容器中用GPU资源执行代码。从下面的图中可以很容器看到nvidia-docker共享了宿主机的CUDA Driver。
docker安装
见我之前的docker安装的博客
docker-nvidia安装
- NVIDIA Container Toolkit允许用户构建和运行GPU加速的Docker容器。该工具包包括容器运行时库和实用程序，用于自动配置容器以利用NVIDIA GPU。
- 首先宿主机安装了NVIDIA驱动程序，linux使用命令nvidia-smi查看
- 宿主机安装了doker
- 不用的操作系统安装命令不一样，具体请参考官方文档
官方文档 git
https://github.com/NVIDIA/nvidia-docker
以ubuntu安装为例
使用docker安装gpu版本的pytorch
参考 https://github.com/anibali/docker-pytorch
- 拉取镜像，选择合适的版本，我使用的版本:1.7.0-cuda11.0，根据宿主机的cuda版本号确定。查看宿主机版本号：nvidia-smi，名称看docker官网提供的https://hub.docker.com/r/anibali/pytorch/tags?page=1&ordering=last_updated
docker pull anibali/pytorch:1.7.0-cuda11.0- 启动并创建容器
–gpus=all ：使用gup的命令
–volume="(id -u)😒(id -g)"：在容器内设置用户以匹配您的用户和组ID。可选，让其容器具有创建目录的权限。
docker run -it --init --gpus=all --ipc=host --name pytorch -p 1778:8888 --volume="$PWD:/app" anibali/pytorch:1.7.0-cuda11.0 python3- 进入容器，运行py文件，看是否成功。
docker exec -it 容器id bash
pythonpython.py文件
import torch
flag = torch.cuda.is_available()
print(flag)
ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print(device)
print(torch.cuda.get_device_name(0))
print(torch.rand(3,3).cuda())运行成功，表名安装成功。
True
cuda:0
GeForce GTX 1080
tensor([[0.9530, 0.4746, 0.9819],
[0.7192, 0.9427, 0.6768],
[0.8594, 0.9490, 0.6551]], device='cuda:0')安装JupyterLab （可以选择不安装）
命令解读
–rm ：表名容器创建之后删除
nvidia/cuda:11.0-base ：这是一个测试镜像，非常小，目的为了测试nvidia-docker是否安装成功，配合nvidia-smi命令使用
docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smianibali/pytorch:1.7.0-cuda11.0：这是docker官方提供的安装好了使用cuda和pytorch环境的docker镜像，直接拿来使用，非常方便，不需要自己配置python环境，以及pip install torch了。
docker run -it --init --gpus=all --ipc=host --name pytorch -p 1778:8888 --volume="$PWD:/app" anibali/pytorch:1.7.0-cuda11.0 python3这是直接拉取nvidia/cuda镜像，该镜像配置好了cuda环境，使用该容器需要自己配置python环境以及各种第三方库，过程与宿主机安装python环境一样。
docker pull nvidia/cuda
