ubuntu16.04 docker tensorflow-gpu鏡像使用

docker基礎教程：https://legacy.gitbook.com/book/yeasy/docker_practice/details，通過這個教程可以了解docker基本概念

docker安裝：參見我的另一篇博客：http://www.cnblogs.com/deepllz/p/8933073.html 

 

為什么使用docker？

　　原因是：通過docker運行tensorflow-gpu容器可以避免復雜的環境的配置，比如cuda。具體環境配置有多復雜參考：本機安裝gpu版本的tf安裝參見我的另一篇博客：http://www.cnblogs.com/deepllz/p/8920420.html.

而在ubuntu上運行docker tensorflow-gpu鏡像，僅僅需要安裝nvidia驅動即可，幸運的是一般通過軟件更新器（software & updates→ Additional Drivers）即可順利安裝顯卡驅動，用Linux命令也可以順利安裝.

 

1.下載鏡像

docker tensorflow的鏡像官網為https://hub.docker.com/r/tensorflow/tensorflow/，首先按照官方教程安裝nvidia-docker2，之后的tensorflow-gpu鏡像都需要nvidia-docker來啟動，或者docker run --runtime=nvidia，當然這樣就足夠用了，如果你想用docker取代nvidia-docker可以修改/etc/docker/daemon.json為如下所示，即在第一行加入"default-runtime": "nvidia",這樣就可以直接用docker取代nvidia-docker了。

{
    "default-runtime": "nvidia",
    "runtimes": {
        "nvidia": {
            "path": "/usr/bin/nvidia-container-runtime",
            "runtimeArgs": []
        }
    }
}

安裝配置成功之后選擇Tags標簽可以看到不同tag的tensorflow鏡像，官方實例代碼選擇的tag為latest-gpu的鏡像，可以根據自己的需要下載鏡像，博主選擇的是1.8.0-devel-gpu-py3的鏡像，這個鏡像包含tensorflow-gpu=1.8.0版本，並且包含bazel等開發環境可以編譯tensorflow的源代碼。即此鏡像既可以用於訓練模型，又可以用來學習tensorflow源碼。執行：

docker pull tensorflow/tensorflow:1.8.0-devel-gpu-py3

下載成功后執行：

docker images

可以查看下載的鏡像，如下圖所示：

 

可以看到有一個TAG名為1.8.0-devel-gpu-py3的鏡像，證明下載成功。

2.啟動容器

如果在前面配置了"default-runtime": "nvidia"，那么執行：

docker run   --rm -it -v /home/zzh/:/root/tensorflow --name zzh tensorflow/tensorflow:1.8.0-devel-gpu-py3

沒有配置則可以執行：

nvidia-docker run --rm -it -v /home/zzh/:/root/tensorflow --name zzh tensorflow/tensorflow:1.8.0-devel-gpu-py3

或者執行：

docker run --runtime=nvidia --rm -it -v /home/zzh/:/root/tensorflow --name zzh tensorflow/tensorflow:1.8.0-devel-gpu-py3

其中docker run的參數含義如下：

（1）--rm        退出容器清除數據

（2）-it           啟動交互式終端

（3）-v           掛在目錄

（4）--name  容器名稱

 具體細節參考官方文檔：https://docs.docker.com/engine/reference/run/

3.在容器中訓練cifar10

cifar10教程：https://www.tensorflow.org/tutorials/deep_cnn

在本機某一路徑下創建好項目，執行腳本后可以看到訓練的速度，如下圖所示：

可以看到，step 0到200的時間是13.52秒。

將這個目錄掛在到容器中，在容器中訓練，速度如下圖所示：

可以看到，step 0到200的時間是12.39秒（快了的原因是容器中的是tensorflow1.8，而本機由於cuda版本的原因安裝的是tensorflow1.4）

4.其他docker常用命令

（1）通過[docker  commit  CONTAINER_ID   newImageName]保存對鏡像的修改，CONTAINER_ID可以通過docker ps查看

（2）通過[docker save -o  文件名  鏡像名] 將鏡像存儲至磁盤，例如docker save -o  tensorflow.tar      tensorflow/tensorflow:1.8.0-devel-gpu-py3

（3）通過[docker load  --input  文件名] 從磁盤導入鏡像，例如docker load  --input  tensorflow.tar

（4）容器一旦退出里面的信息就都會被清除，若不想保存修改又不想丟失信息，那么可以CTRL+P+Q讓容器在后台運行，然后通過docker attach CONTAINER_ID重新連接進容器