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：
- $ nvidia-smi
- Failedto 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：
- 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：
- 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：
- cd /usr/local/cuda/samples/1_Utilities/deviceQuery
- make
- ./deviceQuery #Shouldprint "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：
- 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：
- 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：
- 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：
- 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)：
- 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：
- 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：
- #Yournvidia 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：
- 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：
- 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：
- 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：
- 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***。
为机器学习的未来做好准备吧!
原文：https://hackernoon.com/docker-compose-gpu-tensorflow-%EF%B8%8F-a0e2011d36
【本文是51CTO专栏机构“机器之心”的原创译文，微信公众号“机器之心( id: almosthuman2014)”】
