【小白日记】本地环境移到服务器上（docker+conda）

问题描述：本地anaconda配好了某代码所需环境，需要把代码放到服务器上跑。

策略：服务器上已有docker（和nvidia-docker），考虑将本地环境配置为镜像，上传到服务器后加载镜像，用容器跑代码

省流：不可避免地重新“配了一遍环境”(安装相应的包)

【最终成功的流程】

• 0-准备requirements.txt

  • pip freeze > requirements.txt 从本地相应的anaconda环境中导出requirements.txt备用

• 1-从云端拉取含anaconda的镜像

  • 更常见的情况是首先下载含对应版本pytorch的镜像，用来跑深度学习代码，参考：【10分钟学会Docker的安装和使用_docker安装-CSDN博客】【5 DIY一个自己的pytorch镜像】
  • docker pull continuumio/anaconda3
    • 我用 docker search 其实没有搜到，但【（本人自用）将本地的anaconda环境封装到docker中并导出为压缩包_anaconda3环境迁移到docker-CSDN博客】和【学习记录:docker 下部署anaconda - 知乎 (zhihu.com)】里给出的都是这个镜像，最后我也pull成功了

• 2-在含anaconda的镜像上构建容器

  • docker images 查看当前有哪些镜像
  • docker run --name test240912 -idt continuumio/anaconda3 构建名为test240912的容器

• 3-进入容器，在容器中创建指定python版本的虚拟环境

  • docker ps查看当前正在运行的容器，docker ps -a查看所有容器（包括没在运行的）
  • docker exec -it test240912 /bin/bash 进入容器test240912，命令行控制（bash）
  • 进入容器后可以用conda env list查看conda配置是否正确，输出“base”环境即为正常
  • conda create --name my_new_env python=3.8 创建一个python版本3.8的虚拟环境，名为my_new_env
  • conda activate my_new_env 激活my_new_env环境
  • 参考事先准备的requirements.txt，pip install {包名} 或 conda install {包名}
    • 为什么不直接pip install -r requirements.txt？因为我没成功
    • 如果想尝试直接pip install 所有包，需要先将requirements.txt复制到容器中
    • docker cp /path/to/local/requirements.txt test240912:/path/to/where/you/like

• 4-在容器中配好环境后，将容器保存为新的镜像

  • docker commit -m=‘对镜像的描述’ -a=‘作者’ {当前容器名} {新镜像的命名}
  • 例如 docker commit -m=‘对镜像的描述’ -a=‘作者’ test240912 new_image:v1

• 5-将镜像保存为tar文件

  • docker save new_image:v1 -o new_image.tar

• 6-将tar文件传到服务器上，并加载为镜像

  • docker load -i new_image.tar

• 7-在服务器上使用docker镜像

  • nvidia-docker run --gpus all -idt -v /path/to/local/dir:/path/to/dir/in/container --name container-on-server new_image:v1 创建容器，-v实现本地和容器中的文件通信（同步）
    • 要用nvidia-docker命令，不要用docker命令，否则无法正常使用GPU
  • nvidia-docker exec -it container-on-server /bin/bash 进入容器
  • 进入容器后，conda activate 相应环境，结束