目录

容器中使用 GPU 的基础环境搭建

在 Linux 服务器上使用 GPU 跑深度学习的模型很正常不过。如果我们想用 docker 实现同样的需求,就需要做些额外的工作。本质上就是我们要在容器里能看到并且使用宿主机上的显卡。 在这篇文章里我们就介绍一下 docker 使用 GPU 的环境搭建。

Nvidia 驱动

某些命令以 Ubuntu 作为示例。 首先宿主机上必现安装 Nvidia 驱动。这里推荐从 Nvidia 官网下载脚本安装,安装和卸载都比较方便并且适用于任何 Linux 发行版,包括 CentOS,Ubuntu 等。 NVIDIA Telsa GPU 的 Linux 驱动在安装过程中需要编译 kernel module,系统需提前安装 gcc 和编译 Linux Kernel Module 所依赖的包,例如 kernel-devel-$(uname -r) 等。

  • 安装 gcc 和 kernel-dev(如果没有) sudo apt install gcc kernel-dev -y

  • 访问官网下载

  • 选择操作系统和安装包,并单击【SEARCH】搜寻驱动,选择要下载的驱动版本 ![nvdriver]https://pics.lxkaka.wang/nvdriver.png)

  • 下载对应版本安装脚本 在宿主机上执行
    wget https://www.nvidia.com/content/DriverDownload-March2009/confirmation.php?url=/tesla/450.80.02/NVIDIA-Linux-x86_64-450.80.02.run&lang=us&type=Tesla

  • 安装 执行脚本安装 chmod +x NVIDIA-Linux-x86_64-450.80.02.run && ./NVIDIA-Linux-x86_64-450.80.02.run

  • 验证 使用如下命令验证是否安装成功 nvidia-smi 如果输出类似下图则驱动安装成功。 nvsmi

CUDA 驱动

CUDA(Compute Unified Device Architecture)是显卡厂商 NVIDIA 推出的运算平台。CUDA™ 是一种由 NVIDIA 推出的通用并行计算架构,该架构使 GPU 能够解决复杂的计算问题。它包含了 CUDA 指令集架构(ISA)以及 GPU 内部的并行计算引擎。 这里安装的方式和显卡驱动安装类似。

  • 访问官网下载

  • 下载对应版本如下图
    cudadriver

  • 配置环境变量 echo 'export PATH=/usr/local/cuda/bin:$PATH' | sudo tee /etc/profile.d/cuda.sh source /etc/profile

nvidia-docker2

docker 的安装这里就不展开了,具体查看官方文档非常详细。 这里我们就直接介绍安装 nvidia-docker2.
既然叫 nvidia-docker2 就有 nvidia-docker1 就是它的 1.0 版本目前已经废弃了,所以注意不要装错。
这里先简单说一下 nvidia-docker2 的原理 nvidia-docker2 的依赖由下几部分组成

  • libnvidia-container
  • nvidia-container-toolkit
  • nvidia-container-runtime

nvidia-docker-arch

nvidia-container-runtime 是在 runc 基础上多实现了 nvidia-container-runime-hook(现在叫 nvidia-container-toolkit),该 hook 是在容器启动后(Namespace已创建完成),容器自定义命令(Entrypoint)启动前执行。当检测到 NVIDIA_VISIBLE_DEVICES 环境变量时,会调用 libnvidia-container 挂载 GPU Device 和 CUDA Driver。如果没有检测到 NVIDIA_VISIBLE_DEVICES 就会执行默认的 runc。

下面分两步安装

  • 设置 repository 和 GPG key
1
2
3
4
5
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -

curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
  • 安装
1
2
3
sudo apt-get update
sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker
  • 验证 执行 docker run --rm --gpus all nvidia/cuda:10.2-base nvidia-smi 如果输出跟直接在宿主机上执行 nvidia-smi一致则说明安装成功。 如果跑的深度学习模型使用的是 tensorflow 可以在容器里执行
1
2
import tensorflow as tf
tf.contrib.eager.num_gpus()

如果输出了宿主机上的 Nvidia 显卡数量则模型能使用到显卡加速。 如果使用的是 pytorch 可以在容器里执行

1
2
import torch
torch.cuda.is_available()

如果输出 True 证明环境也成功了,可以使用显卡。

  • 使用示例
    使用所有显卡
    docker run --rm --gpus all nvidia/cuda nvidia-smi docker run --rm --runtime=nvidia -e NVIDIA_VISIBLE_DEVICES=all nvidia/cuda nvidia-smi 指明使用哪几张卡
    docker run --gpus '"device=1,2"' nvidia/cuda nvidia-smi docker run --rm --runtime=nvidia -e NVIDIA_VISIBLE_DEVICES=1,2 nvidia/cuda nvidia-smi

到这里在 docker 下使用 Nvidia 显卡加速计算的基础环境搭建就介绍完了。后续我们可以继续研究一下 k8s 下调度 GPU 的实现。