Docker容器搭建运行GPU深度学习环境

最新推荐文章于 2024-03-11 15:25:25 发布
最新推荐文章于 2024-03-11 15:25:25 发布
阅读量2.4k 收藏 4
点赞数 1
分类专栏： 改错历程 文章标签： python 人工智能 深度学习 docker nvidia
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35200351/article/details/121513640
版权

nvidia-smi

Wed Nov 24 13:44:18 2021
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 495.44       Driver Version: 495.44       CUDA Version: 11.5     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce ...  Off  | 00000000:21:00.0 Off |                  N/A |
|  0%   35C    P8    21W / 370W |    180MiB / 24265MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A      2341      G   /usr/lib/xorg/Xorg                167MiB |
|    0   N/A  N/A      2445      G   /usr/bin/gnome-shell               11MiB |
+-----------------------------------------------------------------------------+

在这里插入图片描述
在这里插入图片描述
使用不了gpu，查找原因

进入docker
nvidia-smi
bash: nvidia-smi: command not found

docker run -itd --gpus all --name rv -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all wq001/rastertorch

docker run --gpus all nvidia/cuda:11.0-base nvidia-smi
docker: Error response from daemon: OCI runtime create failed: container_linux.go:380: starting container process caused: process_linux.go:545: container init caused: Running hook #0:: error running hook: exit status 1, stdout: , stderr: nvidia-container-cli: container error: cgroup subsystem devices not found: unknown.
ERRO[0000] error waiting for container: context canceled

nvidia-container-cli -k -d /dev/tty info

-- WARNING, the following logs are for debugging purposes only --

I1124 05:37:22.076466 139016 nvc.c:372] initializing library context (version=1.6.0, build=dd2c49d6699e4d8529fbeaa58ee91554977b652e)
I1124 05:37:22.076510 139016 nvc.c:346] using root /
I1124 05:37:22.076516 139016 nvc.c:347] using ldcache /etc/ld.so.cache
I1124 05:37:22.076519 139016 nvc.c:348] using unprivileged user 65534:65534
I1124 05:37:22.076535 139016 nvc.c:389] attempting to load dxcore to see if we are running under Windows Subsystem for Linux (WSL)
I1124 05:37:22.076634 139016 nvc.c:391] dxcore initialization failed, continuing assuming a non-WSL environment
I1124 05:37:22.078579 139017 nvc.c:274] loading kernel module nvidia
I1124 05:37:22.078778 139017 nvc.c:278] running mknod for /dev/nvidiactl
I1124 05:37:22.078815 139017 nvc.c:282] running mknod for /dev/nvidia0
I1124 05:37:22.078835 139017 nvc.c:286] running mknod for all nvcaps in /dev/nvidia-caps
I1124 05:37:22.085097 139017 nvc.c:214] running mknod for /dev/nvidia-caps/nvidia-cap1 from /proc/driver/nvidia/capabilities/mig/config
I1124 05:37:22.085235 139017 nvc.c:214] running mknod for /dev/nvidia-caps/nvidia-cap2 from /proc/driver/nvidia/capabilities/mig/monitor
I1124 05:37:22.087446 139017 nvc.c:292] loading kernel module nvidia_uvm
I1124 05:37:22.087503 139017 nvc.c:296] running mknod for /dev/nvidia-uvm
I1124 05:37:22.087578 139017 nvc.c:301] loading kernel module nvidia_modeset
I1124 05:37:22.087630 139017 nvc.c:305] running mknod for /dev/nvidia-modeset
I1124 05:37:22.087983 139018 driver.c:101] starting driver service
I1124 05:37:22.089796 139016 nvc_info.c:758] requesting driver information with ''
I1124 05:37:22.090886 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvoptix.so.495.44
I1124 05:37:22.090931 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-tls.so.495.44
I1124 05:37:22.090973 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-rtcore.so.495.44
I1124 05:37:22.091011 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-ptxjitcompiler.so.495.44
I1124 05:37:22.091058 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-opticalflow.so.495.44
I1124 05:37:22.091101 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-opencl.so.495.44
I1124 05:37:22.091137 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-ngx.so.495.44
I1124 05:37:22.091167 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-ml.so.495.44
I1124 05:37:22.091208 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-glvkspirv.so.495.44
I1124 05:37:22.091234 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-glsi.so.495.44
I1124 05:37:22.091261 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-glcore.so.495.44
I1124 05:37:22.091292 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-fbc.so.495.44
I1124 05:37:22.091334 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-encode.so.495.44
I1124 05:37:22.091373 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-eglcore.so.495.44
I1124 05:37:22.091401 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-compiler.so.495.44
I1124 05:37:22.091435 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-cfg.so.495.44
I1124 05:37:22.091476 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvidia-allocator.so.495.44
I1124 05:37:22.091517 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libnvcuvid.so.495.44
I1124 05:37:22.091670 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libcuda.so.495.44
I1124 05:37:22.091761 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libGLX_nvidia.so.495.44
I1124 05:37:22.091793 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libGLESv2_nvidia.so.495.44
I1124 05:37:22.091825 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libGLESv1_CM_nvidia.so.495.44
I1124 05:37:22.091855 139016 nvc_info.c:171] selecting /usr/lib/x86_64-linux-gnu/libEGL_nvidia.so.495.44
I1124 05:37:22.091903 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-tls.so.495.44
I1124 05:37:22.091937 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-ptxjitcompiler.so.495.44
I1124 05:37:22.091982 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-opticalflow.so.495.44
I1124 05:37:22.092024 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-opencl.so.495.44
I1124 05:37:22.092054 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-ml.so.495.44
I1124 05:37:22.092095 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-glvkspirv.so.495.44
I1124 05:37:22.092123 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-glsi.so.495.44
I1124 05:37:22.092150 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-glcore.so.495.44
I1124 05:37:22.092182 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-fbc.so.495.44
I1124 05:37:22.092224 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-encode.so.495.44
I1124 05:37:22.092264 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-eglcore.so.495.44
I1124 05:37:22.092293 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvidia-compiler.so.495.44
I1124 05:37:22.092325 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libnvcuvid.so.495.44
I1124 05:37:22.092379 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libcuda.so.495.44
I1124 05:37:22.092429 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libGLX_nvidia.so.495.44
I1124 05:37:22.092460 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libGLESv2_nvidia.so.495.44
I1124 05:37:22.092489 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libGLESv1_CM_nvidia.so.495.44
I1124 05:37:22.092519 139016 nvc_info.c:171] selecting /usr/lib/i386-linux-gnu/libEGL_nvidia.so.495.44
W1124 05:37:22.092533 139016 nvc_info.c:397] missing library libnvidia-nscq.so
W1124 05:37:22.092539 139016 nvc_info.c:397] missing library libnvidia-fatbinaryloader.so
W1124 05:37:22.092548 139016 nvc_info.c:397] missing library libvdpau_nvidia.so
W1124 05:37:22.092555 139016 nvc_info.c:397] missing library libnvidia-ifr.so
W1124 05:37:22.092561 139016 nvc_info.c:397] missing library libnvidia-cbl.so
W1124 05:37:22.092564 139016 nvc_info.c:401] missing compat32 library libnvidia-cfg.so
W1124 05:37:22.092569 139016 nvc_info.c:401] missing compat32 library libnvidia-nscq.so
W1124 05:37:22.092574 139016 nvc_info.c:401] missing compat32 library libnvidia-fatbinaryloader.so
W1124 05:37:22.092580 139016 nvc_info.c:401] missing compat32 library libnvidia-allocator.so
W1124 05:37:22.092584 139016 nvc_info.c:401] missing compat32 library libnvidia-ngx.so
W1124 05:37:22.092590 139016 nvc_info.c:401] missing compat32 library libvdpau_nvidia.so
W1124 05:37:22.092596 139016 nvc_info.c:401] missing compat32 library libnvidia-ifr.so
W1124 05:37:22.092601 139016 nvc_info.c:401] missing compat32 library libnvidia-rtcore.so
W1124 05:37:22.092605 139016 nvc_info.c:401] missing compat32 library libnvoptix.so
W1124 05:37:22.092610 139016 nvc_info.c:401] missing compat32 library libnvidia-cbl.so
I1124 05:37:22.092792 139016 nvc_info.c:297] selecting /usr/bin/nvidia-smi
I1124 05:37:22.092808 139016 nvc_info.c:297] selecting /usr/bin/nvidia-debugdump
I1124 05:37:22.092823 139016 nvc_info.c:297] selecting /usr/bin/nvidia-persistenced
I1124 05:37:22.092843 139016 nvc_info.c:297] selecting /usr/bin/nvidia-cuda-mps-control
I1124 05:37:22.092858 139016 nvc_info.c:297] selecting /usr/bin/nvidia-cuda-mps-server
W1124 05:37:22.092909 139016 nvc_info.c:423] missing binary nv-fabricmanager
I1124 05:37:22.092931 139016 nvc_info.c:341] listing firmware path /usr/lib/firmware/nvidia/495.44
I1124 05:37:22.092952 139016 nvc_info.c:520] listing device /dev/nvidiactl
I1124 05:37:22.092957 139016 nvc_info.c:520] listing device /dev/nvidia-uvm
I1124 05:37:22.092960 139016 nvc_info.c:520] listing device /dev/nvidia-uvm-tools
I1124 05:37:22.092963 139016 nvc_info.c:520] listing device /dev/nvidia-modeset
I1124 05:37:22.092983 139016 nvc_info.c:341] listing ipc path /run/nvidia-persistenced/socket
W1124 05:37:22.093001 139016 nvc_info.c:347] missing ipc path /var/run/nvidia-fabricmanager/socket
W1124 05:37:22.093014 139016 nvc_info.c:347] missing ipc path /tmp/nvidia-mps
I1124 05:37:22.093020 139016 nvc_info.c:814] requesting device information with ''
I1124 05:37:22.098736 139016 nvc_info.c:705] listing device /dev/nvidia0 (GPU-88c8d8c8-8b2f-1f42-481d-6943f660960a at 00000000:21:00.0)
NVRM version:   495.44
CUDA version:   11.5

Device Index:   0
Device Minor:   0
Model:          NVIDIA GeForce RTX 3090
Brand:          GeForce
GPU UUID:       GPU-88c8d8c8-8b2f-1f42-481d-6943f660960a
Bus Location:   00000000:21:00.0
Architecture:   8.6
I1124 05:37:22.098764 139016 nvc.c:423] shutting down library context
I1124 05:37:22.099300 139018 driver.c:163] terminating driver service
I1124 05:37:22.099651 139016 driver.c:203] driver service terminated successfully

GPU的驱动正确安装，继续找

uname -a
Linux TRX40-AORUS-PRO 5.13.0-21-generic #21-Ubuntu SMP Tue Oct 19 08:59:28 UTC 2021 x86_64 x86_64 x86_64 GNU/Linux

1.distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
2.curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
Warning: apt-key is deprecated. Manage keyring files in trusted.gpg.d instead (see apt-key(8)).
OK

报错

3.curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
# Unsupported distribution!
# Check https://nvidia.github.io/nvidia-docker

https://nvidia.github.io/nvidia-docker
手动指定，我这Ubuntu21咋整？？

distribution="ubuntu20.04"

在这里插入图片描述

4.curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
deb https://nvidia.github.io/libnvidia-container/stable/ubuntu18.04/$(ARCH) /
#deb https://nvidia.github.io/libnvidia-container/experimental/ubuntu18.04/$(ARCH) /
deb https://nvidia.github.io/nvidia-container-runtime/stable/ubuntu18.04/$(ARCH) /
#deb https://nvidia.github.io/nvidia-container-runtime/experimental/ubuntu18.04/$(ARCH) /
deb https://nvidia.github.io/nvidia-docker/ubuntu18.04/$(ARCH) /

5.sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit

命中:1 http://download.zerotier.com/debian/bionic bionic InRelease
获取:2 http://security.ubuntu.com/ubuntu impish-security InRelease [110 kB]
命中:3 http://cn.archive.ubuntu.com/ubuntu impish InRelease
命中:4 https://download.docker.com/linux/ubuntu impish InRelease
获取:5 http://cn.archive.ubuntu.com/ubuntu impish-updates InRelease [110 kB]
命中:6 https://nvidia.github.io/libnvidia-container/stable/ubuntu18.04/amd64  InRelease
命中:7 https://nvidia.github.io/nvidia-container-runtime/stable/ubuntu18.04/amd64  InRelease
命中:8 https://nvidia.github.io/nvidia-docker/ubuntu18.04/amd64  InRelease
获取:9 http://security.ubuntu.com/ubuntu impish-security/main amd64 DEP-11 Metadata [6,436 B]
获取:10 http://cn.archive.ubuntu.com/ubuntu impish-backports InRelease [101 kB]
获取:11 http://security.ubuntu.com/ubuntu impish-security/universe amd64 DEP-11 Metadata [2,312 B]
获取:12 http://cn.archive.ubuntu.com/ubuntu impish-updates/main amd64 DEP-11 Metadata [18.9 kB]
获取:13 http://cn.archive.ubuntu.com/ubuntu impish-updates/universe amd64 DEP-11 Metadata [4,196 B]
获取:14 http://cn.archive.ubuntu.com/ubuntu impish-backports/universe amd64 DEP-11 Metadata [9,284 B]
已下载 363 kB，耗时 4秒 (87.4 kB/s)
正在读取软件包列表... 完成
正在读取软件包列表... 完成
正在分析软件包的依赖关系树... 完成
正在读取状态信息... 完成
nvidia-container-toolkit 已经是最新版 (1.6.0-1)。
nvidia-container-toolkit 已设置为手动安装。
下列软件包是自动安装的并且现在不需要了：
  chromium-codecs-ffmpeg-extra gstreamer1.0-vaapi libgstreamer-plugins-bad1.0-0 libva-wayland2
使用'sudo apt autoremove'来卸载它(它们)。
升级了 0 个软件包，新安装了 0 个软件包，要卸载 0 个软件包，有 66 个软件包未被升级。

？？

6.sudo systemctl restart docker

查看–gpus 参数是否安装成功

docker run --help | grep -i gpus
      --gpus gpu-request               GPU devices to add to the container ('all' to pass all GPUs)

docker run --gpus all nvidia/cuda:11.0-base nvidia-smi

用不了GPU
重装20再来更吧

docker run -itd --gpus all --name rv -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all quay.io/azavea/raster-vision:pytorch-latest

在这里插入图片描述
在这里插入图片描述
可以了

yddcs
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
docker容器运行后退出(怎么才能一直运行)
09-30
主要介绍了docker容器运行后退出(怎么才能一直运行)，本文详细的介绍了解决方法，非常具有实用价值，需要的朋友们下面随着小编来一起学习学习吧
docker容器操作常用命令
level_Tiller的博客
11-21 127
操作 命令 说明 运行 docker run --name container-name -d image-name eg:docker run --name myredis -d redis --name :自定义容器名 -d:后台运行 image-name:指定镜像模板 列表 docker ps(查看...
docker run带 --gpus all 参数报错：“Auto-detected mode as ‘legacy‘ nvidia-container-cli: mount error”
最新发布
培根芝士的专栏
03-11 919
启动“docker run --gpus all ...”时报错：该镜像是在Ubuntu环境下创建的，而在WSL下使用nvidia-docker启动该镜像时会报错。1. 使用docker而不是nvidia-docker启动原始镜像下的容器（去掉--gpus all） 2、在该容器中删除 /usr/lib/x86_64-linux-gnu/libnvidia-ml.so.1 和文件 /usr/lib/x86_64-linux-gnu/libcuda.so.1 3、新开一个终端，把此时的容器打包为镜像
生产环境中安全运行Docker容器
09-30
本文是一篇译文，给大家详细介绍如何在生产环境中安全运行Docker容器，有需要的小伙伴可以参考下
nvidia-docker:利用NVIDIA GPU构建和运行Docker容器
05-10
NVIDIA容器工具包 介绍 NVIDIA Container Toolkit允许用户构建和运行GPU加速的Docker容器。 该工具包包括容器运行时和实用程序，用于自动配置容器以利用NVIDIA GPU。 产品文档包括体系结构概述，平台支持，安装和使用指南，可在找到。 上提供了常见问题解答。 入门 确保已为Linux发行版安装了和Docker引擎。请注意，您无需在主机系统上安装CUDA Toolkit，但需要安装NVIDIA驱动程序 有关NVIDIA Container Toolkit入门的说明，请参阅。 用法 提供了有关在Docker上运行GPU容器时可用的配置和命令行选项的信息。 问题与贡献 请让我们知道 您可以通过打开来做出贡献
nvidia/cuda doker容器使用nvidia-smi不能找到命令
kkrony的博客
10-21 3595
解决在docker容器中nvidia-smi命令无法找到
NVIDIA-smi
sinat_37196107的博客
08-02 1120
上图是服务器上 GeForce GTX 1080 Ti 的信息，下面一一解读参数。 上面的表格中的红框中的信息与下面的四个框的信息是一一对应的： GPU：GPU 编号； Name：GPU 型号； Persistence-M：持续模式的状态。持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少，这里显示的是off的状态； Fan：风扇转速，从0到100%之间变动； ...
LINUX查看GPU使用信息
studyvcmfc的专栏
05-25 244
https://blog.csdn.net/weiyumeizi/article/details/83035711
【Docker相关】常用docker指令
weixin_53443823的博客
11-17 491
前言 记录一些常用的 docker 指令， 主要是自己工作上用的比较多的。 查看已 pull 好的镜像 docker image ls 查看已启动的 container docker ps 创建能在所有 GPU 上运行能使用 cuda 运算的 container docker run -itd --gpus all --name 容器名 -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all 镜像名 启
Docker 入门到精通+调用GPU
zhibing_ding的博客
03-19 919
docker 封装
最简单的办法！Ubuntu下创建Docker-gpu！
m0_49996105的博客
02-10 339
最简单的办法！Ubuntu下创建Docker-gpu！
Docker容器搭建并运行实现过程详解
09-29
主要介绍了Docker容器搭建并运行实现过程详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
Docker使用GPU
weixin_38420154的博客
04-06 9632
一、docker使用宿主机硬件设备的三种方式 使用--privileged=true选项，以特权模式开启容器 使用--device选项 使用容器卷挂载-v选项 二、docker使用gpu方式演变 docker使用宿主机的gpu设备，本质是把宿主机使用gpu时调用的设备文件全部挂载到docker上。nvidia提供了三种方式的演变，如下是官网的一些介绍 来自 <Enabling GPUs in the Container Runtime Ecosystem | ..
Docker容器------网络模式管理
m0_54594153的博客
10-17 1550
host：与宿主机共享网络名称空间Container：多个容器之间共享一个network namespaceNone：自闭空间bridge：默认模式通过veth对连接容器与docker0网桥，网桥分配给容器IP。同时docker0作为“局域网”内容器的网关，最后和宿主机网卡进行通讯pverlay：叠加网络模式2，docker中，假设运行一个业务容器，但是业务容器需要暴露三个端口，启动后发现自己少加了一个端口。如何动态添加端口（如何对已经运行的容器添加或者修改端口）
（四）Docker进阶网络模式与特权指令
csdn570566705的博客
03-16 2613
假设我们需要创建两个容器 container1 和 container2，它们需要在同一个自定义网络 mynetwork 中，并且 container1 需要能够与 container2 通信，而 container2 不需要与 container1 通信。现在，我们需要让 container1 能够与 container2 通信，而 container2 不需要与 container1 通信。注意，这里的 应该替换为 container2 的 IP 地址。
解决GPU显存无法释放问题
听海归雪的博客
12-06 8522
经常有开发反馈他们的程序已停掉，但是GPU显存无法释放，我们在使用tensorflow+pycharm 或者PyTorch写程序的时候,　有时候会在控制台终止掉正在运行的程序，但是有时候程序已经结束了，nvidia-smi也看到没有程序了，但是GPU的内存并没有释放，这是怎么回事呢？ 使用PyTorch设置多线程（threads）进行数据读取（DataLoader），其实是假的多线程，他是开了N个子进程（PID都连着）进行模拟多线程工作，所以你的程序跑完或者中途kill掉主进程的话，子进程的GPU显存并不会
docker中GPU使用 2023年11月
weixin_47982738的博客
11-29 1508
关联问题：基于 Docker 的深度学习环境关联问题：安装docker是否需要安装nvidia-docker以支持GPU？
【TensorFlow】：在Linux上安装nvidia-docker环境，解决显卡切换问题，只需要几步就可以成功安装，安装之后登陆不了界面，只能变成服务器模式命令后执行了。
freewebsys的专栏
03-09 823
运行之前的gpt-2-simple的项目，使用gpu镜像，结果就OOM了。看来4G内存还是太小了。
Nvidia GPU信息nvidia-smi（Persistence-M持久性内存、Volatile Uncorr. ECC显存错误校正、GPU-Util显卡利用率、Compute M.显卡计算模式）
Dontla的博客
01-17 4414
C:\Users\SIQI>cd C:\Program Files\NVIDIA Corporation\NVSMI C:\Program Files\NVIDIA Corporation\NVSMI>nvidia-smi -persistenced --user foo Invalid combination of input arguments. Please run 'nvi...
docker 搭建深度学习环境
04-18
在搭建深度学习环境时，Docker 可以作为一种很方便的选择。它可以让你在本地开发环境中运行和测试深度学习应用，而无需担心环境配置问题。 首先，你需要安装 Docker。你可以在 Docker 网站上下载并安装最新版本的 Docker。 然后，你可以选择使用 Docker 镜像来搭建你的深度学习环境。Docker 镜像是用于创建 Docker 容器的模板，可以包含所有需要的软件和依赖。你可以在 Docker Hub 找到许多用于深度学习的镜像，例如 TensorFlow、PyTorch 和 MXNet。 你可以使用 Docker 命令行工具来下载和运行这些镜像。例如，你可以使用以下命令来下载并运行 TensorFlow 镜像： ``` docker pull tensorflow/tensorflow docker run -it tensorflow/tensorflow ``` 在运行 Docker 容器时，你可以使用 `-v` 选项将本地目录挂载到容器中，从而在本地和容器之间共享文件。例如，你可以使用以下命令将本地目录 `/path/to/local/dir` 挂载到容器中的 `/app` 目录： ``` docker run -it -v /path/to/local/dir:/app tensorflow/tensorflow ``` 在运行容器后，你就可以在容器中运行深度学习代码了。你也可

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yddcs

你的鼓励--创作的动力！！！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值