docker安装gpu版本的pytorch

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

1. 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。
2. 首先宿主机安装了NVIDIA驱动程序，linux使用命令nvidia-smi查看
3. 宿主机安装了doker
4. 不用的操作系统安装命令不一样，具体请参考

官方文档 git

以ubuntu安装为例

使用docker安装gpu版本的pytorch

参考

1. 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

docker pull anibali/pytorch:1.7.0-cuda11.0

2. 启动并创建容器

–gpus=all ：使用gup的命令 –volume=" P W D : / a p p " ： 将 当 前 目 录 映 射 到 容 器 中 的 工 作 目 录 / a p p p y t h o n 3 ： 表 示 容 器 运 行 起 来 之 后 ， 进 入 容 器 的 p y t h o n 环 境 − − u s e r = " PWD:/app" ：将当前目录映射到容器中的工作目录/app python3：表示容器运行起来之后，进入容器的python环境 --user=" PWD:/app"：将当前目录映射到容器中的工作目录/apppython3：表示容器运行起来之后，进入容器的python环境−−user="(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

3. 进入容器，运行py文件，看是否成功。

docker exec -it 容器id bash
python

python.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-smi

anibali/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