简化版本的Ubuntu深度学习GPU环境搭建

前言:

之前曾经有一篇文章, 详细讲述了如何一步步手动的安装配置环境.

包括:

1. 驱动程序 driver
2. cuda
3. cudnn
4. nividia-docker

但是现在安装相比之前已经简化了非常非常多了. 现在前面3个事情, 一个apt命令就可以搞定. 废话不多说, 开始进入正文.

删除\卸载以前跟NVIDIA相关的东西

这个会卸载包括驱动以及nvidia-docker命令

安装显卡相关的驱动

写这一篇文章的时候, 当前大版本是390. 相应的命令如下:

以前手动下载驱动跟CUDA, 再一步步的安装的方法, 已经完全过时啦!

安装完成之后, 运行nvidia-smi 可以看到运行的结果:

安装完成之后, 最好重启一次, 确保驱动生效.

安装最新版本的Docker-CE

因为后面还需要安装命令行工具nvidia-docker2 所以需要安装新版本的docker-ce

之前通过APT直接安装的docker-io已经不能用 不兼容了.

注意, 首先要卸载历史版本:

sudo apt-get remove docker docker-engine docker.io

然后就按照官网的命令一个个输入进去好了:

官网地址: https://docs.docker.com/v17.12/install/linux/docker-ce/ubuntu/#install-docker-ce-1

在这里就不赘述了.

安装nvidia-docker2

安装这个的原因是, 因为我们需要在docker之中使用GPU 与 CUDA Toolkit

官网: https://github.com/nvidia/nvidia-docker/wiki/Installation-(version-2.0)

• 首先卸载老版本
  docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f sudo apt-get purge nvidia-docker

  1 2 3

  docker volume ls -q -f driver=nvidia-docker | xargs -r -I{} -n1 docker ps -q -a -f volume={} | xargs -r docker rm -f sudo apt-get purge nvidia-docker

• 增加APT Repository
  curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | \ sudo apt-key add - distribution=$(. /etc/os-release;echo $ID$VERSION_ID) 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

  1 2 3 4 5 6 7

  curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | \ sudo apt-key add - distribution=$(. /etc/os-release;echo $ID$VERSION_ID) 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

• 安装
  sudo apt-get install nvidia-docker2

  1 2	sudo apt-get install nvidia-docker2

• 安装完成之后看看版本
  $ nvidia-docker version NVIDIA Docker: 2.0.3 Client: Version: 18.06.0-ce API version: 1.38 Go version: go1.10.3 Git commit: 0ffa825 Built: Wed Jul 18 19:11:02 2018 OS/Arch: linux/amd64 Experimental: false Server: Engine: Version: 18.06.0-ce API version: 1.38 (minimum version 1.12) Go version: go1.10.3 Git commit: 0ffa825 Built: Wed Jul 18 19:09:05 2018 OS/Arch: linux/amd64 Experimental: false

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

  $ nvidia-docker version NVIDIA Docker: 2.0.3 Client: Version:           18.06.0-ce API version:       1.38 Go version:        go1.10.3 Git commit:        0ffa825 Built:             Wed Jul 18 19:11:02 2018 OS/Arch:           linux/amd64 Experimental:      false   Server: Engine: Version:          18.06.0-ce API version:      1.38 (minimum version 1.12) Go version:       go1.10.3 Git commit:       0ffa825 Built:            Wed Jul 18 19:09:05 2018 OS/Arch:          linux/amd64 Experimental:     false

• 安装完成之后, 检查一下环境
  sudo cat /etc/docker/daemon.json { "runtimes": { "nvidia": { "path": "nvidia-container-runtime", "runtimeArgs": [] } } }

  1 2 3 4 5 6 7 8 9 10

  sudo cat /etc/docker/daemon.json {   "runtimes": {       "nvidia": {           "path": "nvidia-container-runtime",           "runtimeArgs": []       }   } }

• 重启docker service 确保生效
  sudo systemctl daemon-reload sudo systemctl restart docker

  1 2 3

  sudo systemctl daemon-reload sudo systemctl restart docker

启动Docker镜像, 使用GPU

首先进行一个简单的测试:

运行结果:

使用TensorFlow-GPU镜像

到docker container之中确认GPU正常工作

这是我的运行的结果:

可以看到, GPU显示出来了.

本文原创, 转载需要注明出处:

https://www.flyml.net/2018/08/10/simple-deep-learning-gpu-env-setup/