Docker Caffe部署

Caffe是一個清晰而高效的深度學習框架，純粹的C++/CUDA架構，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接無縫切換

Caffe的優勢

1. 上手快：模型與相應優化都是以文本形式而非代碼形式給出。Caffe給出了模型的定義、最優化設置以及預訓練的權重，方便立即上手。
2. 速度快：能夠運行最棒的模型與海量的數據。Caffe與cuDNN結合使用，測試AlexNet模型，在K40上處理每張圖片只需要1.17ms.
3. 模塊化：方便擴展到新的任務和設置上。可以使用Caffe提供的各層類型來定義自己的模型。
4. 開放性：公開的代碼和參考模型用於再現。
5. 社區好：可以通過BSD-2參與開發與討論。

 

1.1下載cuda-caffe鏡像

sudo docker search cuda-caffe

sudo docker pull kaixhin/cuda-caffe

1.2安裝nvidia-docker

由於cuda-caffe依賴nvidia-docker工具，我們先安裝nvidia-docker

wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.0-rc.3/nvidia-docker_1.0.0.rc.3-1_amd64.deb

#安裝
sudo dpkg -i /tmp/nvidia-docker*.deb && rm /tmp/nvidia-docker*.deb

1. Test nvidia-smi #啟動容器
   nvidia-docker run -it kaixhin/cuda-caffe nvidia-smi
   
   

1.3執行get_cifar10.sh下載深度學習需要用到的圖片

./data/cifar10/get_cifar10.sh

1.4執行./create_cifar10.sh，將會在examples中出現數據庫文件./cifar10-leveldb和數據庫圖像均值二進制文件./mean.binaryproto

./examples/cifar10/create_cifar10.sh

 

1.5開始訓練測試

./examples/cifar10/train_quick.sh

1.6查看主機GPU占用情況

nvidia-smi

 

 
當啟動多個容器，進行GPU資源占用訓練時，GPU的使用情況為搶占。

 

參考資料：

https://devblogs.nvidia.com/parallelforall/nvidia-docker-gpu-server-application-deployment-made-easy/

https://github.com/NVIDIA/nvidia-docker