docker中配置深度学习环境并制作tar镜像文件

1 安装docker和nvidia-container

docker：https://docs.docker.com/engine/install/ubuntu/#install-using-the-repository

nvidia-container：https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html

2 拉取cuda镜像：https://catalog.ngc.nvidia.com/orgs/nvidia/containers/cuda/tags

如：sudo docker pull nvcr.io/nvidia/cuda:11.8.0-devel-ubuntu18.04

3  使用镜像创建一个名为“torch”的容器：sudo docker run -it –gpus all –name torch nvcr.io/nvidia/cuda:11.8.0-devel-ubuntu18.04

进入容器使用nvidia-smi测试能否调用GPU

4  在容器中安装wget：apt update

apt install wget

安装miniconda：wget https://repo.anaconda.com/miniconda/Miniconda3-py38_23.3.1-0-Linux-x86_64.sh

使用bash安装conda，安装时选择路径/opt/conda(默认/root/miniconda3)

5 此时已经激活了conda环境，在base环境中安装所需要的包

在这之前，需要将requirements.txt文件传入到容器中，另起一个终端：sudo docker cp /文件路径/requirements.txt torch:/存放路径/requirements.txt

容器内安装包pip install -r /.../requirements.txt

有些包可能需要依赖于其他包，需要先安装需要的包

6  将代码传入容器中测试，如代码不能运行则需要解决bug，一般是Linux依赖问题。

在conda环境之外使用python命令时需要加入conda的目录（打包tar后在其他地方使用不一定会默认进入conda环境），保证容器使用的是conda中的python：

/opt/conda/bin/python *.py

/opt/conda/bin/pip install ***

7 打包tar，打包目录在终端的路径下。

Sudo docker commit containerID a:b(repository:tag)

Sudo docker save a:b(repository:tag) -o ***.tar