将本地的anaconda环境封装到docker中并导出为压缩包

1. 在本地（ubuntu20.0)安装docker

安装命令如下：

sudo apt-get update
sudo apt-get install -y docker.io

启动docker,检查docker是否安装成功

sudo systemctl enable docker
sudo docker version

2. 进入docker官网pull一个需要的镜像

例如从网址->：
link
抽取镜像: cddlyf/pytorch1.1.0-tensorflow-py36-cuda10.0
命令如下：

sudo docker pull cddlyf/pytorch1.1.0-tensorflow-py36-cuda10.0

---

注：其它Docker镜像操作命令

docker ps # 查看启动镜像时创建的Docker容器信息（包括id,name...)
docker run 镜像id # 启动镜像
docker rmi -f 镜像id # 删除指定镜像, -f表示强制删除
docker rmi -f $(docker images -aq) # 全部删除
exit # 退出docker镜像

---

3. 进入本地虚拟环境，获得requirement.txt

命令如下：

pip freeze > requirements.txt # 或使用conda list -e > requirements.txt

4. 创建自己的Docker容器

虽然在每次启动镜像时都会创建一个Docker容器，但名字无法确定，这里我们创建一个名为：elon 的Docker容器。命令如下：

exit # 创建容器前先退出Docker镜像
# 为镜像image_name创建一个名为elon的容器
sudo docker run --name elon -idt image_name

5. 将第3步获得的requirement.txt拷贝到第4步创建的docker容器中

sudo docker cp 本地路径 docker路径，例子如下：

sudo docker cp /home/guest/requirements.txt demo:/home

---

注：其它Docker容器操作命令

docker ps # 列出当前正在运行的容器信息
-a        # 列出当前正在运行的容器和历史运行过的所有容器信息
-q        # 只显示容器id

docker start 容器id   # 启动容器
docker restart 容器id # 重启容器
docker stop 容器id    # 停止当前正在运行的容器
docker kill 容器id    # 强制停止当前容器

docker exec -it 容器id /bin/bash
docker attach 容器id

# 区别
# docker exec   # 进入容器后开启一个新的终端，可以在里面操作（常用）
# docker attach # 进入容器正在执行的终端，不会开启新的终端

docker rm id容器 # 删除指定容器，不能删除正在运行的容器，可用 rm -f 强制删除
# 骚操作，linux下有效
docker rm -f $(docker ps -aq)      # 删除所有容器
docker ps -a -q|xargs docker rm -f # 删除所有容器

---

6. 进入第4步创建的名字为：elon的容器中，安装需要的包

sudo docker exec -it demo /bin/bash
pip install -r requirements.txt #一定要进入requirement.txt目录下运行

7. 退出容器，提交我们的新镜像

docker commit -m=“描述信息” -a=“作者” 容器id 目标镜像名：[tag]

sudo docker ps -a # 查看容器id
docker commit -m="add scikit packages" -a="lynnh" 8cd9c9935d2a

返回类似如下信息表示提交成功：

sha256:b285a729c32b3a20411dcd09bc39acfdef93054e5091b0054bef08d665c27643

8. 将镜像导出为压缩包

sudo docker images # 查看容器名
docker save image_name -o compressed_package_name

9.将压缩包上传到浪潮服务器

10. 在服务器上使用第9步获得的镜像文件进行深度学习模型训练

基本思路：通过镜像文件构建容器然后进行训练。假设我的镜像文件名:open-mmlab_v3.0.tar, 服务器中需要运行的代码在/home/elon/Projects/UltraLiDAR_nusc_waymo-master，数据集在/data/elon/nuscenes。以下是详细步骤：

1. 步骤 1：加载 Docker 镜像
   首先，您需要确保 Docker 已经安装在您的系统上。如果还没有安装，可以从 Docker 的官方网站下载并安装。安装后，使用以下命令将 open-mmlab_v3.0.tar 文件加载到 Docker 中：

docker load -i open-mmlab_v2.0.tar

这个命令会加载您的镜像，并在 Docker 中创建一个镜像 ID 或名字，您可以使用 docker images 命令来验证镜像是否已成功加载。

2. 步骤 2：创建并运行容器
   接下来，您可以使用加载的镜像创建并运行 Docker 容器。在构建容器时，您可能想要将项目目录和数据集目录挂载到容器中，以便在容器中访问这些文件。假设加载的镜像 ID 是 open-mmlab:v3.0，以下是运行容器的基本命令：

docker run -it --name mmdet3d \
  --gpus all \
  -v /home/elon/Projects/UltraLiDAR_nusc_waymo-master:/workspace/project \
  -v /data/elon/nuscenes:/workspace/dataset \
  open-mmlab:v3.0

解释一下这个命令：

• –gpus all 如果训练需要 GPU 支持
• -it：表示以交互模式运行容器，并打开终端。
• –name my_training_container：给容器命名为 my_training_container。
• -v /home/elon/Projects/UltraLiDAR_nusc_waymo-master:/workspace/project：将主机上的项目目录挂载到容器的
  /workspace/project。
• -v /data/elon/nuscenes:/workspace/dataset：将主机上的数据集目录挂载到容器的 /workspace/dataset。 open-mmlab:3.0：用于指定构建容器的镜像名称。

3. 步骤 3：在容器中进行训练
   运行上述命令后，您将进入 Docker 容器的终端环境。在这里，您可以像在本地环境中一样运行训练脚本。假设您的训练脚本位于项目目录 /workspace/project，您可以执行相关的 Python 代码进行训练。例如：

cd /workspace/project
python train.py --dataset /workspace/dataset/nuscenes

4. 注意：如果 Docker 容器中的代码提示 “Found no NVIDIA driver on your system”，这可能表示 Docker 容器无法访问主机上的 NVIDIA GPU 驱动程序。要解决这个问题，您需要确保以下几点：

-确保主机系统上安装了 NVIDIA 驱动程序

nvidia-smi

• 安装 NVIDIA Container Toolkit
  要让 Docker 容器访问主机的 NVIDIA GPU，您需要安装并配置 NVIDIA Container Toolkit。
  根据您的操作系统，安装过程略有不同。以 Ubuntu 为例：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -fsSL https://nvidia.github.io/nvidia-docker/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-docker.gpg
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

• 然后，重启 Docker 服务：

sudo systemctl restart docker

• 在 Docker 容器中验证 GPU

docker exec -it mmdet3d nvidia-smi

11. 容器中更新了镜像，如何导出新的镜像文件

在容器中更新了镜像后，如果想将这些更改保存为新的镜像文件，您可以通过 Docker 的 docker commit 和 docker save 命令来导出镜像文件。以下是具体的步骤：

• 第一步：提交更改
  假设您已经在名为 mmdet4d 的容器中进行了更改。首先，您需要使用 docker commit 将容器的当前状态保存为新的镜像。

# 使用特定的版本号标签提交容器
sudo docker commit mmdet3d my_new_image:v3.0

• 第二步：导出镜像文件
  接下来，使用 docker save 命令将镜像导出到文件。

# 加载镜像
docker load -i my_new_image_v1.1.tar

这会将 my_new_image:v1.1 加载到 Docker 中。