ubuntu docker配置cuda+anaconda+vscode+tensorflow环境
docker 安装
下载docker Install Docker Engine on Ubuntu
https://docs.docker.com/engine/install/ubuntu/
dockerfile 换源 https://zhuanlan.zhihu.com/p/121660487
docker 中文文档
https://yeasy.gitbook.io/docker_practice/
Docker部署Anaconda+Tensorflow深度学习环境（包括CUDA和cudnn
https://zhuanlan.zhihu.com/p/281112065）
docker基本操作
查看镜像
列出本地主机上的镜像
sudo docker images
REPOSITORY：表示镜像的仓库源
TAG：镜像的标签
IMAGE ID：镜像ID
CREATED：镜像创建时间
SIZE：镜像大小
删除镜像
docker rmi hello-world
删除none的镜像，要先删除镜像中的容器。要删除镜像中的容器，必须先停止容器。
$ docker images
$ docker rmi $(docker images | grep "none" | awk '{print $3}')
直接删除带none的镜像，直接报错了。提示先停止容器。
$ docker stop $(docker ps -a | grep "Exited" | awk '{print $1 }') //停止容器
$ docker rm $(docker ps -a | grep "Exited" | awk '{print $1 }') //删除容器
$ docker rmi $(docker images | grep "none" | awk '{print $3}') //删除镜像
然后，进行免秘钥配置：
sudo addgroup --system docker
sudo adduser $USER docker
newgrp docker
官方镜像
tensorflow镜像https://tensorflow.google.cn/install/docker?hl=zh_cn
docker pull tensorflow/tensorflow:latest-gpu-jupyter
docker run -it -p 8888:8888 tensorflow/tensorflow:latest-gpu-jupyter
sudo docker run -it tensorflow/tensorflow:latest-gpu-jupyter bash
sudo docker run -it --name=zhl tensorflow/tensorflow:latest-gpu-jupyter bash
https://hub.docker.com/r/nvidia/cuda/
容器基本操作
Container的安装与使用 - 郝先森的文章 - 知乎
https://zhuanlan.zhihu.com/p/483416326
从镜像启动容器
所需要的命令主要为 docker run。
sudo docker run -t -i ubuntu:18.04 /bin/bash
docker run ubuntu:18.04 /bin/echo 'Hello world'
-p 80:5000 本地端口:容器端口
-d 后台运行
-v 挂载
-t 选项让Docker分配一个伪终端并绑定到容器的标准输入上
-i 则让容器的标准输入保持打开。
当利用 docker run 来创建容器时，Docker 在后台运行的标准操作包括：
- 检查本地是否存在指定的镜像，不存在就从
- 利用镜像创建并启动一个容器
- 分配一个文件系统，并在只读的镜像层外面挂载一层可读写层
- 从地址池配置一个 ip 地址给容器
- 执行用户指定的应用程序
- 执行完毕后容器被终止
列出所有容器
sudo docker ps --all
#列出所有容器 包括终止的
sudo docker container ls
#列出所有容器 不包括终止的 -a 包括终止的
终止容器
docker container stop [name]
docker container restart [name]
启动容器
docker container ls -a #先看看所有的容器
docker start [容器id]
docker container start zhl
docker exec -it 74e4 bash
删除容器
docker container rm container_name
docker container prune #清理所有处于终止状态的容器
容器保存为镜像
我们可以通过以下命令将容器保存为镜像
docker commit pinyougou_nginx mynginx
pinyougou_nginx是容器名称
mynginx是新的镜像名称
nvidia-container-toolkit
https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/overview.html#installation-guide
nvidia-docker2
https://github.com/NVIDIA/nvidia-docker/tree/gh-pages/
nvidia-container-toolkit
https://github.com/NVIDIA/nvidia-container-runtime/tree/gh-pages/
libnvidia-container
https://github.com/NVIDIA/libnvidia-container/tree/gh-pages/
lambda stack
https://blog.csdn.net/zdx1996/article/details/88774674
https://github.com/lambdal/lambda-stack-dockerfiles
一次性安装TensorFlow，Keras，Caffe，Caffe，CUDA，cuDNN和NVIDIA驱动程序
容器配置环境
sudo docker run -it --gpu --name=zhl -p 8001:22 -p 8002:6000 -p 8003:6006 -v /data/zhl_docker:/data nvidia/cuda:11.1.1-cudnn8-devel-ubuntu20.04
sudo docker run --gpus all -it --name=zhl -p 8001:22 -p 8002:6000 -p 8003:6006 -v /data/zhl_docker:/data lambda-stack:18.04 bash
sudo docker run --gpus 2 lambda-stack:18.04 python3 -c "import torch; print(torch.cuda.device_count())"
建立了一个nvidia/cuda:11.1.1-cudnn8-devel-ubuntu20.04 镜像的容器， 将 本地端口:容器端口 映射，容器name = zhl， 容器路径/data 挂载在 本地路径 /data/zhl_docker 上 。之后对容器进行操作。
文件传输
方法一 通过挂载路径，将文件放在本地路径 /data/zhl_docker
方法二 拷贝
docker cp 服务器文件路径 容器名:容器路径
1换源
sed -i 's/archive.ubuntu.com/mirrors.ustc.edu.cn/g' /etc/apt/sources.list
apt-get update
3、更新apt-get
apt-get update
4、下载yum工具
apt-get install yum
开启ssh服务
apt-get install openssh-server #安装openssh-server
ps -e | grep ssh #查看ssh服务是否启动
service ssh start # 启动ssh服务
apt install net-tools #安装网络服务
ifconfig
# 172.17.0.2
vim /etc/ssh/sshd_config
Port 8080
PermitRootLogin yes
/etc/init.d/ssh restart
passwd #修改密码
sudo ssh [email protected] -p 8080
安装anaconda
参考文件传输本地下载 官网下载sh文件放在映射目录中
安装教程 https://zhuanlan.zhihu.com/p/426655323
bash Anaconda3-2021.05-Linux-x86_64.sh
#conda init 选yes
source ~/.bashrc
用主机vscode连接容器
下载插件 Remote - Containers
在 VS Code 中使用容器开发 教程
到此为之，通用的docker 容器cuda+anaconda+vscode+tensorflow 配置教程完毕。