ubuntu16.04 docker tensorflow-gpu镜像使用

docker基础教程：https://legacy.gitbook.com/book/yeasy/docker_practice/details，经过这个教程能够了解docker基本概念

docker安装：参见个人另外一篇博客：http://www.cnblogs.com/deepllz/p/8933073.html 

 

为何使用docker？

　　缘由是：经过docker运行tensorflow-gpu容器能够避免复杂的环境的配置，好比cuda。具体环境配置有多复杂参考：本机安装gpu版本的tf安装参见个人另外一篇博客：http://www.cnblogs.com/deepllz/p/8920420.html.

而在ubuntu上运行docker tensorflow-gpu镜像，仅仅须要安装nvidia驱动便可，幸运的是通常经过软件更新器（software & updates→ Additional Drivers）便可顺利安装显卡驱动，用Linux命令也能够顺利安装.

 

1.下载镜像

docker tensorflow的镜像官网为https://hub.docker.com/r/tensorflow/tensorflow/，首先按照官方教程安装nvidia-docker2，以后的tensorflow-gpu镜像都须要nvidia-docker来启动，或者docker run --runtime=nvidia，固然这样就足够用了，若是你想用docker取代nvidia-docker能够修改/etc/docker/daemon.json为以下所示，即在第一行加入"default-runtime": "nvidia",这样就能够直接用docker取代nvidia-docker了。

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

安装配置成功以后选择Tags标签能够看到不一样tag的tensorflow镜像，官方实例代码选择的tag为latest-gpu的镜像，能够根据本身的须要下载镜像，博主选择的是1.8.0-devel-gpu-py3的镜像，这个镜像包含tensorflow-gpu=1.8.0版本，而且包含bazel等开发环境能够编译tensorflow的源代码。即此镜像既能够用于训练模型，又能够用来学习tensorflow源码。执行：

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

下载成功后执行：

docker images

能够查看下载的镜像，以下图所示：

 

能够看到有一个TAG名为1.8.0-devel-gpu-py3的镜像，证实下载成功。

2.启动容器

若是在前面配置了"default-runtime": "nvidia"，那么执行：

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

没有配置则能够执行：

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

或者执行：

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的参数含义以下：

（1）--rm        退出容器清除数据

（2）-it           启动交互式终端

（3）-v           挂在目录

（4）--name  容器名称

 具体细节参考官方文档：https://docs.docker.com/engine/reference/run/

3.在容器中训练cifar10

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

在本机某一路径下建立好项目，执行脚本后能够看到训练的速度，以下图所示：

能够看到，step 0到200的时间是13.52秒。

将这个目录挂在到容器中，在容器中训练，速度以下图所示：

能够看到，step 0到200的时间是12.39秒（快了的缘由是容器中的是tensorflow1.8，而本机因为cuda版本的缘由安装的是tensorflow1.4）

4.其余docker经常使用命令

（1）经过[docker  commit  CONTAINER_ID   newImageName]保存对镜像的修改，CONTAINER_ID能够经过docker ps查看

（2）经过[docker save -o  文件名  镜像名] 将镜像存储至磁盘，例如docker save -o  tensorflow.tar      tensorflow/tensorflow:1.8.0-devel-gpu-py3

（3）经过[docker load  --input  文件名] 从磁盘导入镜像，例如docker load  --input  tensorflow.tar

（4）容器一旦退出里面的信息就都会被清除，若不想保存修改又不想丢失信息，那么能够CTRL+P+Q让容器在后台运行，而后经过docker attach CONTAINER_ID从新链接进容器