当前位置：首页 > article >正文

docker复现pytorch_cyclegan

article 2024/11/7 16:55:53

1、安装docker

配置docker镜像
添加镜像源至docker engine

2、wsl2安装nvidia-docker

要在Ubuntu中安装NVIDIA Docker，需要满足以下条件：

确保主机已安装NVIDIA的CUDA驱动程序，并使用适用于您操作系统的正确版本。

wsl --update

在Ubuntu中安装NVIDIA Docker的步骤如下：

确认系统已安装并正常工作Docker。如果未安装Docker，请先进行安装。
在终端中，运行以下命令添加NVIDIA Docker的apt仓库密钥：

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

添加apt仓库。创建一个新的apt源文件，并将"main"和"stable"组件添加到文件中：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

更新apt缓存并安装nvidia-docker2包：

sudo apt-get update
sudo apt-get install -y nvidia-docker2

安装完成后，重启Docker服务：

sudo systemctl restart docker

使用以下命令检查是否正确安装了nvidia-docker2：

docker run --gpus all nvidia/cuda:11.0-base nvidia-smi

运行此命令应该成功运行容器内的nvidia-smi命令，并显示GPU信息。如果一切正常，说明成功在Ubuntu中安装了NVIDIA Docker。

3、复现pytorch_cyclegan

（1）构建DockerFile文件，写入语句

FROM nvidia/cuda:11.1.1-cudnn8-runtime

RUN apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub

# 更新apt索引并安装所需工具
RUN apt update && apt install -y wget unzip curl bzip2 git
RUN curl -LO http://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh

RUN bash Miniconda3-latest-Linux-x86_64.sh -p /miniconda -b
RUN rm Miniconda3-latest-Linux-x86_64.sh
ENV PATH=/miniconda/bin:${PATH}
RUN conda update -y conda

# 创建新的conda环境并安装特定版本的pytorch和torchvision
RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
RUN conda config --set show_channel_urls yes

# 设置环境变量
ENV PATH="/opt/conda/bin:$PATH"
# RUN /opt/conda/bin/conda run -n cycle pip install torch==1.10.0+cu111 torchvision==0.11.0+cu111 torchaudio==0.10.0 -f https://download.pytorch.org/whl/torch_stable.html 
# 激活环境并安装其他依赖
RUN mkdir /workspace/ && cd /workspace/ && git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git \
    && cd pytorch-CycleGAN-and-pix2pix

# 设置工作目录
WORKDIR /workspace

（2）存放至目录下便于构建

app
├── app/Dockerfile
├── app/app.py
└── app/requirements.txt

（3）运行命令构建镜像
进入app目录，

docker build -t [镜像名] .
# 假设我们有一个名为 my-base-image:latest 的本地镜像
docker build --build-arg BASE_IMAGE=my-base-image:latest -t my-app .

（4）根据镜像建立容器，在容器中安装对应的包

docker run -it --name [容器名] [镜像名] /bin/bash

待选步骤：
（5）安装包之后构建好了新的容器，commit提交存至新的镜像

docker commit -m "xx" [容器名] [镜像名]

（6）后面只需直接拉取镜像，并创建容器，就可直接运行

docker run --gpus all -it --name [容器名] [镜像名] /bin/bash

# 部分docker语句记录
docker run --gpus all -it --name yolov8_mount -v E:\BaiduNetdiskDownload\VOC07+12+test\VOCdevkit:/root/yolov8-pytorch/ --cpus="2.0" 7c69963d2d79:latest bash

docker run --gpus all -it --name yolov8_mount -v E:\BaiduNetdiskDownload\VOC07+12+test\VOCdevkit:/root/yolov8-pytorch/ --cpuset-cpus="0,1" 7c69963d2d79:latest bash

4、已构建好的镜像参考

docker pull lin0011/cyclegan

参考链接：
1、【K8S】docker打过tag标签后向镜像仓库推送镜像(push)
https://blog.csdn.net/m0_45406092/article/details/103963974
2、Index of /compute/cuda/repos/ubuntu2004/x86_64
https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/
3、nvidia/cuda：11.1.1-cudnn8-runtime
https://hub.docker.com/r/nvidia/cuda/tags?ordering=-last_updated
4、docker:machine learning
https://hub.docker.com/search?categories=Machine+Learning+%26+AI&page=3
5、CUDA Toolkit 11.1 Update 1 Downloads
https://developer.nvidia.com/cuda-11.1.1-download-archive?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=2004&target_type=debnetwork
6、官方源码：
https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git
7、如何指定dockerfile中From后的基础镜像从本地获取https://blog.csdn.net/muwan2900/article/details/139737060?spm=1001.2014.3001.5506
8、极智开发 | gpu docker启动报错libnvidia-ml.so.1: file exists: unknown
https://zhuanlan.zhihu.com/p/652588664
9、Visual Studio 的粘滞滚动功能是什么？
https://learn.microsoft.com/zh-cn/visualstudio/ide/editor-sticky-scroll?view=vs-2022