前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >教程 | Docker Compose + GPU + TensorFlow 所产生的奇妙火花

教程 | Docker Compose + GPU + TensorFlow 所产生的奇妙火花

作者头像
机器之心
发布2018-05-08 11:34:57
1.2K0
发布2018-05-08 11:34:57
举报
文章被收录于专栏:机器之心机器之心

选自 hackernoon

机器之心编译

参与:黄小天、路雪

Docker 有很多优势,但是在数据科学和深度学习方面,使用 Docker 也存在一些阻碍。本文介绍了一系列 Docker 实用工具,以及 GPU-ready 样板文件,让我们看看 Docker Compose + GPU + TensorFlow 能产生什么奇特效果吧。

Docker 很棒——越来越多的人在开发与分布中使用它。Docker 有很多优势:即时环境设置、独立于平台的 app、现成的解决方案、更好的版本控制、简化的维护。

但是在数据科学和深度学习方面,使用 Docker 有一些阻碍。你必须记住所有的 Docker 标志,以在主机和容器之间共享端口和文件,创建不必要的 run.sh 脚本,并处理 CUDA 版本和 GPU 共享。如果你曾经见过下面这个错误,你就会明白这种痛苦:

代码语言:javascript
复制
$ nvidia-smi 
Failed to initialize NVML: Driver/library version mismatch

我们的目标

本文的目的在于为你介绍一系列 Docker 实用工具,以及我们经常在公司使用的 GPU-ready 样板文件。

因此,以下结果将不会出现:

代码语言:javascript
复制
docker run \
--rm \
--device /dev/nvidia0:/dev/nvidia0 \
--device /dev/nvidiactl:/dev/nvidiactl \
--device /dev/nvidia-uvm:/dev/nvidia-uvm \
-p 8888:8888 \
-v `pwd`:/home/user \
gcr.io/tensorflow/tensorflow:latest-gpu

取而代之的是这种结果:

代码语言:javascript
复制
doc up

酷!

我们实际上想要达到的:

  • 通过一个指令管理我们的应用程序状态(运行、停止、移除)
  • 把所有的运行标志保存到我们能够提交到 git repo 的单个配置文件
  • 忘记 GPU 驱动程序版本不匹配和共享
  • 在生产工具比如 Kubernetes 或 Rancher 中使用 GPU-ready 的容器

因此,这里是我们强烈推荐给每个深度学习者的工具清单:

1. CUDA

首先,你需要 CUDA 工具包,如果你打算自己动手训练模型,那这是必须要有的。我们推荐使用 runfile 安装程序类型而不是 deb,因为它不会在以后的更新中混淆依赖关系。

(可选)如何检查它是否工作:

代码语言:javascript
复制
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
make
./deviceQuery # Should print "Result = PASS"

2. Docker

你不想让海量的库污染你的计算机,也害怕版本出现问题。同样,你不必亲自构建和安装——通常,软件已为你创建好了,并包装在图像中。安装 Docker 很简单:

代码语言:javascript
复制
curl -sSL https://get.docker.com/ | sh

3. Nvidia Docker

如果使用 Docker,必须有来自英伟达的实用程序(https://github.com/NVIDIA/nvidia-docker),它真正简化了在 Docker 容器内使用 GPU 的步骤。

安装非常简单:

代码语言:javascript
复制
wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.1/nvidia-docker_1.0.1-1_amd64.deb
sudo dpkg -i /tmp/nvidia-docker*.deb

现在,不用每次都用下列方式来共享英伟达设备:

代码语言:javascript
复制
docker run --rm --device /dev/nvidia0:/dev/nvidia0 --device /dev/nvidiactl:/dev/nvidiactl --device /dev/nvidia-uvm:/dev/nvidia-uvm nvidia/cuda nvidia-smi

你可以使用 nvidia-docker 命令:

代码语言:javascript
复制
nvidia-docker run --rm nvidia/cuda nvidia-smi

同样,你也无需担心驱动程序版本不匹配:英伟达的 docker 插件将会帮你解决问题。

4. Docker Compose

超级有用的实用程序,允许你在文件中存储 docker run 配置,并更轻松地管理应用程序状态。尽管它的设计目的是组合多个 docker 容器,但 docker compose 在你只有一个服务的时候依然非常有用。这里有一个稳定版本(https://github.com/docker/compose/releases):

代码语言:javascript
复制
curl -L https://github.com/docker/compose/releases/download/1.15.0/docker-compose-`uname -s`-`uname -m` > /usr/local/bin/docker-compose
chmod +x /usr/local/bin/docker-compose

5. Nvidia Docker Compose

不幸的是,Docker Compose 并不知道 Nvidia Docker 的存在。幸运的是,有一个解决方法:有一个小的 Python 脚本,可以用 nvidia-docker 驱动程序生成配置。通过 pip 安装 Nvidia Docker Compose:

代码语言:javascript
复制
pip install nvidia-docker-compose

现在你可以使用 nvidia-docker-compose 命令,而不是 docker-compose 了。

替代选择

如果你不想使用 nvidia-docker-compose,你可以手动传递音量驱动程序,只需把这些选项添加到 docker-compose.yml:

代码语言:javascript
复制
# Your nvidia driver version here
volumes:
  nvidia_driver_375.26:
    external: true
...
  volumes:
    - nvidia_driver_375.26:/usr/local/nvidia:ro

6. Bash 别名

但是 nvidia-docker-compose 需要输入 21 个字符,这太多了。

很幸运我们可以使用 bash 别名。在你最喜爱的编辑器打开~/.bashrc(有时是~/.bash_profile),输入以下代码行:

代码语言:javascript
复制
alias doc='nvidia-docker-compose'
alias docl='doc logs -f --tail=100'

通过运行 source ~/.bashrc 更新你的设置。

开始 TensorFlow 服务

现在我们准备好利用上述所有工具的优点。比如,我们运行一个 Tensorflow GPU 启用的 Docker 容器。

在项目目录中创建具有以下内容的 docker-compose.yml 文件:

代码语言:javascript
复制
version: '3'
services:
  tf:
    image: gcr.io/tensorflow/tensorflow:latest-gpu
    ports:
      - 8888:8888
    volumes:
      - .:/notebooks

现在我们可以使用单个命令开始 TensorFlow Jupiter:

代码语言:javascript
复制
doc up

doc 是 nvidia-docker-compose 的别名——它将使用正确的 volume-driver 生成已修改的配置文件 nvidia-docker-compose.yml,然后运行 docker-compose。

你可以使用相同的命令管理你的服务:

代码语言:javascript
复制
doc logs
doc stop
doc rm
# ...etc

结论

但是这值得吗?下面让我们看一下其优缺点。

优点

  • 无需考虑 GPU 设备共享
  • 不必再为英伟达驱动程序版本担忧
  • 摆脱了偏爱干净、简单配置的命令标志
  • 再也不需要--name 标志管理容器状态
  • 众所周知已记录并得到广泛使用的实用程序
  • 你的配置已为编制工具做好准备,比如理解 docker-compose 文件的编制工具 Kubernetes

缺点

  • 你不得不安装更多工具

它是生产就绪(production-ready)的吗

是的。在电影推荐应用 Movix 中,我们使用 GPU 加速的 TensorFlow 网络基于用户输入计算实时的电影选择。

我们在 Proxy API 的 Rancher 集群中有三台带有 Nvidia Titan X 的电脑。配置储存在常规 docker-compose.yml 文件中:因此在一个新服务器上部署应用程序或者设置开发环境变得很轻松。目前为止它的表现堪称完美。

为机器学习的未来做好准备吧!

原文链接:https://hackernoon.com/docker-compose-gpu-tensorflow-%EF%B8%8F-a0e2011d36

本文为机器之心编译,转载请联系本公众号获得授权。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-09-17,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器之心 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
容器服务
腾讯云容器服务(Tencent Kubernetes Engine, TKE)基于原生 kubernetes 提供以容器为核心的、高度可扩展的高性能容器管理服务,覆盖 Serverless、边缘计算、分布式云等多种业务部署场景,业内首创单个集群兼容多种计算节点的容器资源管理模式。同时产品作为云原生 Finops 领先布道者,主导开源项目Crane,全面助力客户实现资源优化、成本控制。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档