ubuntu16.04 docker tensorflow-gpu鏡像使用

docker基礎教程：https://legacy.gitbook.com/book/yeasy/docker_practice/details，經過這個教程能夠了解docker基本概念

docker安裝：參見個人另外一篇博客：http://www.cnblogs.com/deepllz/p/8933073.html 

 

爲何使用docker？

　　緣由是：經過docker運行tensorflow-gpu容器能夠避免複雜的環境的配置，好比cuda。具體環境配置有多複雜參考：本機安裝gpu版本的tf安裝參見個人另外一篇博客：http://www.cnblogs.com/deepllz/p/8920420.html.

而在ubuntu上運行docker tensorflow-gpu鏡像，僅僅須要安裝nvidia驅動便可，幸運的是通常經過軟件更新器（software & updates→ Additional Drivers）便可順利安裝顯卡驅動，用Linux命令也能夠順利安裝.

 

1.下載鏡像

docker tensorflow的鏡像官網爲https://hub.docker.com/r/tensorflow/tensorflow/，首先按照官方教程安裝nvidia-docker2，以後的tensorflow-gpu鏡像都須要nvidia-docker來啓動，或者docker run --runtime=nvidia，固然這樣就足夠用了，若是你想用docker取代nvidia-docker能夠修改/etc/docker/daemon.json爲以下所示，即在第一行加入"default-runtime": "nvidia",這樣就能夠直接用docker取代nvidia-docker了。

{
    "default-runtime": "nvidia",
    "runtimes": {
        "nvidia": {
            "path": "/usr/bin/nvidia-container-runtime",
            "runtimeArgs": []
        }
    }
}

安裝配置成功以後選擇Tags標籤能夠看到不一樣tag的tensorflow鏡像，官方實例代碼選擇的tag爲latest-gpu的鏡像，能夠根據本身的須要下載鏡像，博主選擇的是1.8.0-devel-gpu-py3的鏡像，這個鏡像包含tensorflow-gpu=1.8.0版本，而且包含bazel等開發環境能夠編譯tensorflow的源代碼。即此鏡像既能夠用於訓練模型，又能夠用來學習tensorflow源碼。執行：

docker pull tensorflow/tensorflow:1.8.0-devel-gpu-py3

下載成功後執行：

docker images

能夠查看下載的鏡像，以下圖所示：

 

能夠看到有一個TAG名爲1.8.0-devel-gpu-py3的鏡像，證實下載成功。

2.啓動容器

若是在前面配置了"default-runtime": "nvidia"，那麼執行：

docker run   --rm -it -v /home/zzh/:/root/tensorflow --name zzh tensorflow/tensorflow:1.8.0-devel-gpu-py3

沒有配置則能夠執行：

nvidia-docker run --rm -it -v /home/zzh/:/root/tensorflow --name zzh tensorflow/tensorflow:1.8.0-devel-gpu-py3

或者執行：

docker run --runtime=nvidia --rm -it -v /home/zzh/:/root/tensorflow --name zzh tensorflow/tensorflow:1.8.0-devel-gpu-py3

其中docker run的參數含義以下：

（1）--rm        退出容器清除數據

（2）-it           啓動交互式終端

（3）-v           掛在目錄

（4）--name  容器名稱

 具體細節參考官方文檔：https://docs.docker.com/engine/reference/run/

3.在容器中訓練cifar10

cifar10教程：https://www.tensorflow.org/tutorials/deep_cnn

在本機某一路徑下建立好項目，執行腳本後能夠看到訓練的速度，以下圖所示：

能夠看到，step 0到200的時間是13.52秒。

將這個目錄掛在到容器中，在容器中訓練，速度以下圖所示：

能夠看到，step 0到200的時間是12.39秒（快了的緣由是容器中的是tensorflow1.8，而本機因爲cuda版本的緣由安裝的是tensorflow1.4）

4.其餘docker經常使用命令

（1）經過[docker  commit  CONTAINER_ID   newImageName]保存對鏡像的修改，CONTAINER_ID能夠經過docker ps查看

（2）經過[docker save -o  文件名  鏡像名] 將鏡像存儲至磁盤，例如docker save -o  tensorflow.tar      tensorflow/tensorflow:1.8.0-devel-gpu-py3

（3）經過[docker load  --input  文件名] 從磁盤導入鏡像，例如docker load  --input  tensorflow.tar

（4）容器一旦退出裏面的信息就都會被清除，若不想保存修改又不想丟失信息，那麼能夠CTRL+P+Q讓容器在後臺運行，而後經過docker attach CONTAINER_ID從新鏈接進容器