0. 前言

ubuntu下安装cuda、cuddn等NVIDIA机器学习、深度学习环境往往是在使用Linux中最头疼的配置步骤，同时，由于nvidia的cuda、cuddn版本众多，这让统一环境开发成为了难点。而Nvidia官方也认清楚了这一点，并基于docker开发了nvidia docker并且提供cuda镜像，这让我们完全不用考虑环境问题了

环境：
ubuntu20.04
docker 19.03

1. 安装docker

1.查看ubuntu内核

uname -r

2.安装docker

sudo apt-get install docker.io

3.查看版本

docker version 或 docker -v

4.启动

sudo systemctl unmask docker.service
sudo systemctl unmask docker.socket
sudo systemctl start docker.service

5.查看状态

sudo systemctl status docker

2. 修改docker源

sudo gedit /etc/docker/daemon.json

添加以下内容：(使用阿里源)

{

    "registry-mirrors":[
         "https://emasu4pd.mirror.aliyuncs.com",
         "http://hub-mirror.c.163.com"
    ],
    "runtimes": {

        "nvidia": {

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

3. 从官网镜像获取镜像文件

  1. 拉取镜像（上海服务器）
docker pull registry.cn-shanghai.aliyuncs.com/tcc-public/super-mario-ppo:race
  1. 启动容器后台运行
docker run -id registry.cn-shanghai.aliyuncs.com/tcc-public/super-mario-ppo:race
  1. 查看容器内的文件
docker ps
  1. 结果如下
CONTAINER ID    IMAGE       COMMAND       CREATED     STATUS        PORTS           NAMES
3d747e7ccb2b 12f1b1d66471e "/bin/bash"  5 seconds ago  Up 7 seconds       xenodochial_dewdne
  1. 这个ID很重要，接下来ls 进入这个容器。
docker exec -it 3d747e7ccb2b /bin/bash
  1. 然后查看当前目录下的文件
root@3d747e7ccb2b:/workspace#
root@3d747e7ccb2b:/workspace# ls

__pycache__  core_lstm.py  env.py  gym-results  ppo_lstm.py  pretrain  spinningup  test_lstm.py
  1. 退出这个容器只需要exit即可。
root@3d747e7ccb2b:/workspace# exit  #输入exit命令退出当前容器或按ctrl+D退出当前容器

4. 拷贝并更新回容器-本地更新

  1. 建立一个文件夹用来存储这些文件。

将该ID容器里的文件拷贝到你创建的文件夹中。

docker cp 3d747e7ccb2b:/workspace/ppo_lstm.py E:/tianchi_rl_submit/
  1. 将修改后的拷贝文件拷贝回容器
docker cp E:/tianchi_rl_submit/ppo_lstm.py 3d747e7ccb2b:/workspace/
  1. 更新镜像（自己的），这里是深圳服务器。
docker commit 3d747e7ccb2b registry.cn-shenzhen.aliyuncs.com/docker_tanchi/rl_submit:race
  1. 查看生成的镜像
docker images

REPOSITORY                                                  TAG       IMAGE ID       CREATED         SIZE
registry.cn-shenzhen.aliyuncs.com/docker_tanchi/rl_submit   race      12f1b1d66471   3 hours ago     11.2GB
registry.cn-shanghai.aliyuncs.com/tcc-public/python         3         a4cc999cf2aa   20 months ago   929MB

如此操作，大概理解了流程，这里都是本地的更新过程，那么再回顾官方的教程复习一遍，官方教程是完整的上传到个人仓库的一个过程。

  1. 将镜像打包成tar包
docker  save  -o xxx.tar  imagexxx # 当前路径下会生成一个xxx.tar
  1. 将tar包生成镜像
docker  load  <  xxx.tar     # 生成的镜像跟之前打包的镜像名称一样

5. 官方教程-上传到仓库

  1. 输入用户名和密码
sudo docker login --username=xxxx
  1. 修改镜像标记，必须为自己注册账号的用户名开头
#docker tag [OPTIONS] IMAGE[:TAG] [REGISTRYHOST/][USERNAME/]NAME[:TAG]
sudo docker tag [ImageId] registry.cn-hangzhou.aliyuncs.com/egg_mario/mario:[镜像版本号]
  1. 将镜像推送到Registry
sudo docker push registry.cn-hangzhou.aliyuncs.com/egg_mario/mario:[镜像版本号]

在输入docker images后可以看到对应的TAG和IMAGE ID

如果提示denied: requested access to the resource is denied，那么再运行一下login即可。

6. nvidia-docker安装

  1. 开启docker服务
sudo systemctl --now enable docker
  1. 引入nvidia-docker源：
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
   && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
   && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
  1. 更新源：
sudo apt update
  1. 安装nvidia-docker，重启docker服务:
sudo apt-get install nvidia-docker2
sudo systemctl restart docker
  1. 镜像载入
    用以下指令载入一个带有cuda的镜像（启动命令中添加参数：–gpus all 或 —gpus “device=1”指定）：
sudo docker run --rm --gpus all nvidia/cuda:10.0-base nvidia-smi
  1. 如果出现下图，则nvidia-docker安装成功：
    在这里插入图片描述
  2. 然后将需要的包全部安装好，然后打包成镜像，并发布。

7. 参考链接

https://www.i4k.xyz/article/liuzhuomei0911/115176455
https://blog.csdn.net/weixin_45385568/article/details/115140719