【方案】多用户的深度学习，AI服务器管理思路

前言以及注意事项

• 这样的优势，每个用户只需要用容器跑任务即可，这样隔离了每个人的环境，极大的降低对于物理机的依赖以及环境影响。但是也一定的依赖用户对于自己所创建的images以及容器的管理。
• 适用于公司内，单个服务器多用户（类似实验室，或者高校等使用环境) ,基于docker，实现服务器的高效运维。
• 服务器端在硬件资源足够的基础上要求：系统健康无暗病，一般情况根目录的容量要足够，若用户人数多，在装系统的时候，/var下以及/home 的容量一定要注意，尽可能预留够大的空间。驱动以及docker、nvidia-docker安装，并且正常使用，sudo权限控制在少有的账号上。

维护

• 使用过程中， 需要“一起写“，或者tim的”协同文档“ 辅助记录用户等相关信息（名字、用户名、以及项目，所用端口等）。
• 创建用户只需两步， 1、用adduser 建立用户，设置密码 。2、 用gpasswd命令将用户添加入docker组，使其拥有docker 的root权限

使用

• 用户先登记协同文档，记录所使用相关信息，联系管理员创建拥有docker的root权限的用户
• 准备自己所需要的资源，代码，数据集，image等所需文件，上传到自己用户文件夹下
• 登陆服务器，检查是否有自己所需要的镜像，入没有，用docker load 或者docker pull 导入/拉取所需要的images文件，此处建议是自己准备好images，然后load入服务器。
• 如若之前启动过容器，用docker ps -a 查看是否有自己的容器，入没有，用docker run 将所用镜像启动为容器，启动过程中，注意端口的映射和路径的映射，端口冲突。如果有，停止状态用docker start启动，后台状态用 docker exec进入。
• 一般情况下，此处就可以完成正常的任务以及使用， 需要用户注意的是，对于自己的images以及容器的管理与定时清理备份，管理员只需要监管容器和images即可。

注：
1、局域网内最好有nfs文件服务器，将大一点的文件的压力交给nfs服务器，极大的方便文件管理以及服务器在接受用户数据集时候的网络压力。
2、可以利用nvidia-smi监控GPU情况，对于长期占用资源的人进行通知，或者停止 。

思路还在完善，如果有更好的建议可以告知，感谢阅读。