标签：nvidia pix2pix 玩转 深度 镜像 Docker Dockerfile docker
卢文泉 译 分布式实验室
Docker提供了一种将Linux Kernel中需要的内容静态链接到你的应用中的方法。Docker容器可以使用宿主机的GPUs，因此我们可以把TensorFlow或者机器学习代码的任何依赖都链接到容器中，这样其他小伙伴就可以使用你的工作成果了。
你可以发布一个可再现的机器学习项目，它几乎不需要用户设置，不需要用户花6小时去下载依赖或者报错：
# 6 hours of installing dependencies python train.py > ERROR: libobscure.so cannot open shared object
相反，你可以这样做：
dockrun tensorflow/tensorflow:0.12.1-gpu python train.py TRAINING SUCCESSFUL
这种方法可以直接运行你的train.py脚本，所有的依赖包括GPU支持都帮你准备好了。
Docker容器是短暂的，不需要持久化任何数据，你可以把Docker容器想象成1G大的tensorflow.exe，它把你所有的依赖都编译进去了。
Why
开源软件因为有难以重现、复杂的依赖网络：不同版本的编译器、丢失头文件、错误的库路径等，所有这些导致在软件的安装配置阶段浪费你大量的时间。
使用Docker时，理论上你只要要让Docker正确工作，然后你所有的代码就可以运行了。幸运的是，Docker已经融资1.8亿美元，并将一部分投入到docker开发中，转换成可以工作的软件。
我打算在Linux上用Docker，Mac上的用法应该一样，除了不支持GPU。
应该怎么做
针对机器学习的使用场景，你最好把你的代码发布到GitHub repo上。你的依赖通常表示成一系列Linux命令行，这些命令行能复制粘帖到终端中运行。（译者注：即依赖放到Dockerfile中）。
Docker用一个命令替换第二部分（译者注：第一部分是把代码放到GitHub repo上，第二部分是在Docker镜像中执行命令行，配置你的依赖），该命令将拉取运行代码所需的正确docker镜像。你会把所有的依赖集成到3G大（压缩后）的镜像中，用户可以直接下载使用你的镜像。
我们看看Torch pix2pix的实现方式：
尽管训练脚本的依赖很少（做到这样很伟大了），但是脚本使用的工具却有很多依赖，而且这些依赖文档不全面，组合在一个镜像中非常复杂繁琐。
如果你不小心弄乱了依赖，可能会遇到下面的错误：
Docker提供了一种方法，通过Docker Hub分发二进制镜像（译者注：原文是artifact）。
在Linux server上直接安装docker和nvidia-docker，Docker容器可以访问GPU，没有明显的性能损失。
如果你在Mac上你需要安装Docker for Mac（https://docs.docker.com/docker-for-mac/），在Mac上使用Docker我还是有很多经验的。现在你还不能在GPU上运行任何东西，Mac几乎不再支持CUDA。你可以在CPU模式下测试，它工作良好，只是有点慢。
我这里有一个在Ubuntu 16.04 LTS上安装Docker的脚本，适用于云服务提供商：
curl -fsSL https://affinelayer.com/docker/setup-docker.py | sudo python3
装好Docker后，运行pix2pix代码：
sudo docker run --rm --volume /:/host --workdir /host$PWD affinelayer/pix2pix <command>
下面是完整的脚本，多行显示方便阅读：
它会下载我构建的镜像（镜像包含Torch，支持nvidia-docker），大小在3G。
运行后会打印debug信息，到这里已经很棒了。但运行在GPU上更重要，因为pix2pix的架构设计在GPU上可以获得足够的训练速度。
在GPU上运行只需要把上面命令中的docker镜像替换成nvidia-docker。
nvidia-docker不包含在标准Docker中，所以你需要额外的工作。下面的脚本可以在Ubuntu 16.04 LTS上配置nvidia-docker：
curl -fsSL https://affinelayer.com/docker/setup-nvidia-docker.py | sudo python3
大概花费5分钟，而且我已经在AWS和Azure上测试过了。两者都是NVIDIA K80卡，额定值为2.9 FP32 TFLOPS。
nvidia-docker配置好运行：
sudo nvidia-docker run --rm nvidia/cuda nvidia-smi
假设上面的命令正常运行，重新运行pix2pix的脚本：
它使用相同的Docker镜像，但是支持GPU。
使用Python和TensorFlow时，有许多有用的命令行选项：
--env PYTHONUNBUFFERED=x
这会让python立即打印输出，而不是先缓存起来。
--env CUDA_CACHE_PATH=/host/tmp/cuda-cache
这使得你每次启动Tensorflow时都没有1分钟的延迟，它必须从头重新编译CUDA内核。
这两个选项集成到Docker命令行中后：
这个命令很长，你可以定义命令别名：
定义别名后运行pix2pix-tensorflow（https://github.com/affinelayer/pix2pix-tensorflow）：
pix2pix-tensorflow除了Tensorflow 0.12.1（当时当前发布的版本）之外没有别的依赖关系。但是即使如此，第一个GitHub issue是一个用户使用错误版本的Tensorflow导致的。
幸运地是，集成到你自己的项目中非常简单。
你先新建空目录，新建文件Dockerfile。然后构建镜像：
构建结束后你就可以查看镜像了：
通过docker push把你的镜像推送到Docker Hub上：
sudo docker tag pix2pix <accountname>/pix2pix sudo docker push <accountname>/pix2pix
Docker新用户可以先使用我的镜像。docker提供了不依赖Docker Hub分发镜像的机制，但是他用起来不是很方便：
A
虽然Docker镜像容易复制，但是从Dockerfile到镜像的转换不一定是可复制的。你可以使用下面的命令检查镜像的构建历史记录：
sudo docker history --no-trunc pix2pix
它不会显示被添加到镜像中的所有文件。比如，如果你的Dockerfile包含git clone或者apt-get update，很可能在两个不同的日子里构建产生不同的镜像。
另外，如果docker构建时指定了cpu版本，那么镜像在其它机器上很可能不工作。
只要我们分发的是Docker镜像，那么它就是可再现的。如果你想通过Dockerfile再现镜像，如果你不非常小心编写构建Dockerfile的话，很可能失败。（译者注：镜像构建好后不会变，可再现，但是从Dockerfile构建，很可能因为cpu版本、git clone仓库更新而不可再现镜像）
目前还不清楚这些优势是否值得付出努力，但是如果你的Dockerfile是从头开始构建的，并且使用--network none选项，大多数情形镜像是可重现的。
如果镜像再现很容易，这项技术将会很酷。现在Docker已经取得实质性进展，让依赖再现成为可能，这是伟大的进步。
这篇文章介绍了Docker与深度学习结合的例子。Docker的优势是解决了依赖的问题，方便分发个人工作成果；缺点是不直接支持GPU，需要开发者自己安装nvidia-docker。
文章最后作者论述了Docker镜像的可再现问题，总结如下：
分发的是Docker镜像，那么基本可以保证镜像的一致性（可再现）。
分发的是Dockerfile，Dockerfile中存在git clone或者apt update，会因为时间因素导致clone的repo更新导致镜像不一致。
标签：nvidia,pix2pix,玩转,深度,镜像,Docker,Dockerfile,docker 来源： https://blog.51cto.com/u_15127630/2827238
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。