在docker中构建深度学习环境

零、安装前的一些说明

在docker中搭建开发环境，具有显著的优势：

• 可以单独配置开发环境，防止不同项目使用的环境配置不同而发生环境冲突问题(PS:环境冲突真的是第一头大、浪费开发时间且有时候很难的debug发现的问题)
• 充分保护主机环境不会因为环境搭建失误而发生系统崩溃
• 便于项目迁移和部署
  
  在docker中搭建深度学习开发环境，需要使用Nvidia提供的工具Nvidia Container Toolikit，根据官网给出的架构图，可以分析出以下内容：
• 主机需要正常运行Nvidia GPU，即在主机上要安装好显卡驱动(Nvidia Driver)
• 通过docker来调用Nvidia Driver，在容器中虚拟出了Nvidia Driver
• 在容器中安装CUDA和cuDNN

一、安装Nvidia Driver

Ubuntu22.04安装Nvidia驱动、CUDA和cuDNN

二、安装docker

参考资料https://docs.docker.com/engine/install/ubuntu/

2.1 卸载旧版本

旧版本的 Docker 称为 docker 或者 docker-engine，使用以下命令卸载旧版本

sudo apt-get remove docker docker-engine docker.io

2.2 添加源

由于 apt 源使用 HTTPS 以确保软件下载过程中不被篡改。因此，我们首先需要添加使用 HTTPS 传输的软件包以及 CA 证书。

sudo apt-get update
sudo apt-get install \
	apt-transport-https \
    ca-certificates \
    curl \
    gnupg \
    lsb-release

为了确认所下载软件包的合法性，需要添加软件源的 GPG 密钥。

curl -fsSL https://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

然后，向 sources.list 中添加 Docker 软件源

echo \
  "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://mirrors.aliyun.com/docker-ce/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

2.3 安装 Docker

更新 apt 软件包缓存，并安装 docker-ce

sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

三、安装NVIDIA Container Toolkit

参考资料https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#next-steps

3.1 安装

3.1.1 配置存储库

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

3.1.2 更新包列表

sudo apt-get update

3.1.3 安装包

sudo apt-get install -y nvidia-container-toolkit

3.2 配置Docker

3.2.1 使用nvidia-ctk命令配置container runtime

nvidia-ctk命令用于修改主机上的/etc/docker/daemon.json文件，该文件的更新使得Docker能够使用NVIDIA Container Runtime

sudo nvidia-ctk runtime configure --runtime=docker

3.2.2 重启docker服务

sudo systemctl restart docker

3.3 测试

拉取Nvidia提供的镜像，产看在镜像中是否能够使用nvidia-smi

sudo docker run --rm --gpus all nvidia/cuda:11.6.1-devel-ubuntu20.04 nvidia-smi

在终端输出以下结果，说明安装成功

四、拉取镜像构建容器

4.1 构建容器

sudo docker run --gpus all -it nvidia/cuda:11.6.1-devel-ubuntu20.04 bash

关于Nvidia提供的镜像版本的说明：
Dockerhub官网上面，Nvidia官方提供了一些特定CUDA版本的镜像，地址为https://hub.docker.com/r/nvidia/cuda/tags?page=1&ordering=last_updated可以直接拉取相关镜像。
查询CUDA12.2.0的版本，可以发现Nvidia提供的镜像有三个版本，分别是base、runtime和devel，从镜像大小可以发现，baseKaTeX parse error: Undefined control sequence: \textless at position 1: \̲t̲e̲x̲t̲l̲e̲s̲s̲runtimeKaTeX parse error: Undefined control sequence: \textless at position 1: \̲t̲e̲x̲t̲l̲e̲s̲s̲devel，三种镜像的区别如下：

• base：这个版本从CUDA9.0开始，包含了部署预构建CUDA应用程序的最低限度。如果你想自己安装需要的CUDA包，可以选择使用这个镜像版本，但如果想省事，不建议使用该镜像
• runtime：这个版本通过添加CUDA工具包中的所有共享库来扩展base镜像，如果使用多个CUDA库的预构建应用程序(也就是已经编译好的程序)，可使用此镜像。但是如果想借助CUDA中的头文件对自己的工程进行编译，则会出现找不到头文件的错误。
• devel：这个版本通过添加编译器工具链、测试工具、头文件和静态库来扩展runtime镜像，使用此镜像可以从源代码编译CUDA应用程序，如果想用docker镜像做开发环境，建议使用devel版本的镜像。
  一般都使用devel镜像。
  

4.2 在容器中安装常用的包

# 获取最新软件包
apt-get update
# 安装vim
apt-get install vim
# 安装ping命令
apt-get install iputils-ping
# 安装wget
apt-get install wget
# 安装ps
apt-get install procps

五、在容器中安装Pytorch

5.1 确定cuda版本

在容器中输入nvcc -V确定CUDA版本

5.2 安装miniconda

进入miniconda官网，选择命令行下载，获取命令行下载的指令。

新建终端输入如下指令。

mkdir -p /home/miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O /home/miniconda3/miniconda.sh
bash /home/miniconda3/miniconda.sh -b -u -p /home/miniconda3/

安装完成后，初始化miniconda和shell

/home/miniconda3/bin/conda init bash
/home/miniconda3/bin/conda init zsh

(可选)取消每次启动自动激活miniconda的基础环境base

conda config --set auto_activate_base false

5.3 安装Pytorch

创建Pytorch虚拟环境，这里选择Python3.8，大于等于Python3.8均可。

conda create -n pytorch python=3.8

激活Pytorch环境

conda activate pytorch

在Pytorch官网查看安装指令，这里可以看到最新版的pytorch支持到CUDA12.1，而docker中的的CUDA11.6，安装CUDA11.6对应的pytorch版本

conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidia

5.4 测试Pytorch

安装完成后输入“python”启动Python交互式界面。
输入以下Python程序，显示版本信息和TRUE，则表明安装成功。

import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.backends.cudnn.version())