使用docker配置DSP-SLAM

一.Docker环境配置

1.简单介绍

–docker容器技术–。
简单理解：Anaconda用于隔离不同的python环境；docker可以理解成在你的机器里面安装了一个独立的系统，因此它可以隔离不同的CUDA环境，还有着独立的文件系统，防止别人删掉你的实验和环境等。

    镜像（images）的意思就是静态的镜像文件；
    容器（container）就是一个基于镜像的活跃着的系统，可以操作的实例，我们可以进去跑代码。

2.安装nvidia-docker

• 前置条件：你得有一张显卡。
• docker sudo apt-get install docker。查看是否安装好：docker
• Nvidia Driver. NVIDIA驱动官网。查看是否安装好：nvidia-smi
• 接下来安装nvidia-docker。

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

sudo apt-get update
sudo apt-get install -y nvidia-docker2

• sudo systemctl restart docker 重启一下docker
• 接下来你就可以愉快的使用nvidia-docker了

3.拉取环境镜像

在此之前，我们需要了解一下docker hub的一些仓库地址。在下方给出：

  Nvidia/cuda官方docker hub
   PyTorch官方docker hub

基于此，我们可以去拉取官方仓库，可以在tag当中搜索我们所需要的版本，一般是选择devel版本，其中包含了C++/CUDA编译环境、视频解码、渲染等，会比较全面些。然后在docker镜像去配置我们的深度学习环境。就像下面这样：(因为DSP-SLAM的github上要求的cuda版本为11.3，所以最好跟官方一致)

sudo docker pull nvidia/cuda:11.3.1-cudnn8-devel-ubuntu18.04

如果想删除多余的docker image，可以使用指令

sudo docker rmi -f <id>

2.创建容器

sudo docker run -itd --runtime=nvidia --gpus all --name dspslam -v /home/lm/docker/dspslam:/home/lm/docker/dspslam --net=host --env="DISPLAY" --volume="$HOME/.Xauthority:/root/.Xauthority:rw" -e NVIDIA_DRIVER_CAPABILITIES=compute,utility,graphics -e NVIDIA_VISIBLE_DEVICES=all --privileged=true 9ac63d269265 /bin/bash

这个参数有点多，依次解释一下：

• -it必备 d表示在背景里运行;
• -v 磁盘挂载 本地绝对路径:容器的绝对路径;
• --name 给你的container取个响亮的芳名;
• --runtime 表示启用nvidi