Skip to content

Dockerfiles and manual for easy build of docker image with CUDA10.X and cuDNN7.6 to run TensorFlow/PyTorch on the nvidia GPU in docker-container.

License

Notifications You must be signed in to change notification settings

Desklop/docker_image_with_cuda10_cudnn7

Repository files navigation

Docker image with CUDA 10 and cuDNN 7

Проект содержит bash-скрипты для подготовки хост-машины для предоставления доступа к GPU в docker контейнерах. Подготовка состоит из:

  1. Установка драйвера для NVIDIA GPU необходимой версии
  2. Установка nvidia-container-toolkit
  3. Сборка базового docker образа с CUDA 10.X и cuDNN 7.6

Внимание! Все нижеописанные инструкции предназначены для Ubuntu 16.04-20.04. В других ОС работоспособность не гарантируется!

Примечание: после клонирования проекта, скорее всего нужно будет предоставить скриптам права на запуск. Это можно сделать следующим способом (находясь в папке с проектом):

chmod +x *.sh

Зависимости

Для успешной подготовки хост-машины требуется установленный Docker версии 19.03 или выше.

Для установки Docker в Ubuntu 16.04-20.04 воспользуйтесь официальной инструкцией или скриптом install_docker-ubuntu.sh:

sudo ./install_docker-ubuntu.sh

Так же можно вручную в терминале выполнить (краткая выжимка из официальной инструкции):

sudo apt-get -y install apt-transport-https ca-certificates curl gnupg-agent software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
sudo apt-key fingerprint 0EBFCD88
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" -y
sudo apt-get -y update
sudo apt-get -y install docker-ce docker-ce-cli containerd.io docker-compose

Подготовка хост-машины одним скриптом

Для выполнения всех действий сразу можно воспользоваться скриптом install_all.sh. Поддерживается CUDA версии 10.0, 10.1 и 10.2. Для того, что бы указать конкретную версию CUDA, нужно передать аргумент при запуске:

sudo ./install_all.sh [cuda10.0|cuda10.1|cuda10.2]

Значения аргумента (если не передавать аргумент - использовать значение cuda10.2):

  • cuda10.0: установка nvidia-driver-440, nvidia-container-toolkit и сборка docker-образа с CUDA 10.0 и cuDNN 7.6 на основе Ubuntu 19.10 с меткой cuda10.0_cudnn7.6:devel
  • cuda10.1: установка nvidia-driver-440, nvidia-container-toolkit и сборка docker-образа с CUDA 10.1 и cuDNN 7.6 на основе Ubuntu 19.10 с меткой cuda10.1_cudnn7.6:devel
  • cuda10.2: установка nvidia-driver-440, nvidia-container-toolkit и сборка docker-образа с CUDA 10.2 и cuDNN 7.6 на основе Ubuntu 19.10 с меткой cuda10.2_cudnn7.6:devel

После выполнения скрипта необходмо перезагрузить хост-машину. Проверить работоспособность можно следующим образом:

sudo docker run --gpus all -ti --rm cuda10.2_cudnn7.6:devel nvidia-smi

Результат должен быть такой же, как и в разделе 1 ниже.


1. Установка драйвера для видеокарты NVIDIA

Для работы с CUDA 10.X необходим драйвер для видеокарты определённой версии (источник):

  • CUDA 10.0: драйвер версии 410.48 или выше
  • CUDA 10.1: драйвер версии 418.39 или выше
  • CUDA 10.2: драйвер версии 440.33 или выше

Установить драйвер нужной версии можно следующими способами:

  1. Самостоятельно, загрузив необходимый пакет с официального сайта nvidia
  2. Воспользоваться скриптом install_nvidia-driver.sh, который в качестве аргумента принимает версию драйвера (если не передавать аргумент - установить версию 440):
sudo ./install_nvidia-driver.sh [410|418|440|...]
  1. Вручную в терминале выполнить:
sudo add-apt-repository -y ppa:graphics-drivers/ppa
sudo apt-get -y update
sudo apt-get -y install nvidia-driver-440

После установки необходимо перезагрузить хост-машину. Что бы убедиться, что драйвер успешно установлен, можно вызвать в терминале nvidia-smi. Результат должен быть примерно следующий:

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 440.59       Driver Version: 440.59       CUDA Version: 10.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce RTX 208...  Off  | 00000000:08:00.0 Off |                  N/A |
| 39%   42C    P0    18W / 250W |      0MiB / 11019MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

2. Установка nvidia-container-toolkit

Что бы видеокарта была доступна в docker-контейнере, необходимо установить nvidia-container-toolkit. Сделать это можно следующими способами:

  1. Воспользоваться скриптом install_nvidia-container-toolkit.sh:
sudo ./install_nvidia-container-toolkit.sh
  1. Вручную в терминале выполнить (краткая выжимка из репозитория):
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
sudo apt-get -y update
sudo apt-get -y install nvidia-container-toolkit
sudo systemctl restart docker

Что бы убедиться, что установка прошла успешно, можно выполнить в терминале:

sudo docker run --gpus all -ti --rm nvidia/cuda:10.2-base nvidia-smi

Результат должен быть такой же, как и в подразделе 1.


3. Сборка docker-образа с CUDA 10.X и cuDNN 7.6

Для работы с библиотеками машинного обучения на GPU, такими как TensorFlow и PyTorch, так же необходимы библиотеки CUDA 10.X и cuDNN 7.6. Для упрощения сборки пользовательских docker-образов, можно использовать заранее собранный docker-образ с данными библиотеками в качестве основы (т.е. в качестве базового образа).

В проекте доступны 2 вида Dockerfile: runtime и devel. Образы с меткой runtime используются для запуска уже готовых проектов на GPU, а с меткой devel - для сборки проектов из исходников с поддержкой GPU (подробно про разницу между ними можно посмотреть в репозитории nvidia-docker).

Для сборки docker-образа с CUDA 10.2 и cuDNN 7.6, находясь в папке с проектом, нужно выполнить (-f Dockerfile_cuda10.2_runtime — использовать файл Dockerfile_cuda10.2_runtime в качестве Dockerfile для сборки образа, -t — запуск в терминале, . — директория, из которой вызывается docker build (точка — значит в текущей директории находятся все файлы для образа), cuda10.2_cudnn7.6:runtime — метка образа и его версия):

sudo docker build -f Dockerfile_cuda10.2_runtime -t cuda10.2_cudnn7.6:runtime .

В качестве базовой ОС для образа используется Ubuntu 20.04.

Для сборки docker-образов с другими версиями CUDA в проекте присутствуют соответствующие Dockerfile:

Данные Dockerfiles сделаны на основе Dockerfiles из репозитория nvidia.

После успешной сборки, проверить работоспособность образа можно следующим образом (--gpus all - предоставить контейнеру доступ ко всем GPU на хост-машине, -t — запуск терминала, -i — интерактивный режим, --rm — удалить контейнер после завершения его работы):

sudo docker run --gpus all -ti --rm cuda10.2_cudnn7.6:runtime nvidia-smi

Результат должен быть такой же, как и в подразделе 1.

Примечание: размер собранного docker-образа с CUDA 10.X и cuDNN 7.6 равен 1.3-1.8 Гб для runtime и 3.1-3.8 Гб для devel.


Сборка пользовательского docker-образа с CUDA 10.X и cuDNN 7.6

Для сборки любого пользовательского docker-образа с библиотеками CUDA 10.X и cuDNN 7.6 нужно:

  1. Изменить образ, на основе которого собирается пользовательский образ, на созданный ранее cuda10.2_cudnn7.6:runtime
  2. При установке пакетов для Python использовать версии библиотек для работы на GPU, например, вместо TensorFlow использовать TensorFlow-GPU
  3. Предусмотреть в исходном коде запускаемого в docker-контейнере проекта обнаружение и использование GPU

Что бы docker-образ имел доступ к видеокарте, при запуске образа необходимо передать параметр --gpus all, например:

sudo docker run --gpus all -ti --rm my_image:version

Параметр --gpus all предоставит контейнеру доступ сразу ко всем имеющимся на хост-машине видеокартам. Что бы указать, сколько видеокарт использовать или какие именно, нужно вместо all передать 2 (использовать первые 2 видеокарты) или "device=2,3" (использовать 2 и 3 видеокарту), например:

sudo docker run --gpus '"device=1,2"' -ti --rm my_image:version

Более подробно про параметр --gpus можно посмотреть в репозитории nvidia-docker.


Динамическое выделение памяти GPU в TensorFlow-GPU

По умолчанию TensorFlow-GPU использует всю доступную видеопамять, по этому не получится одновременно запустить несколько docker-образов, использующих TensorFlow-GPU на одном GPU.

Если проект написан на Python и для работы с TensorFlow используется Keras, можно это исправить следующим образом (данный фрагмент кода необходимо добавить в самое начало .py файла, перед первым использованием TensorFlow-GPU) (источник):

import tensorflow as tf
from keras.backend.tensorflow_backend import set_session

# Включение динамического выделения памяти GPU в TensorFlow
config = tf.ConfigProto()
config.gpu_options.allow_growth = True

sess = tf.Session(config=config)  # применение новой конфигурации для сессии TensorFlow
set_session(sess)  # установка данной сессии TensorFlow в качестве основной для Keras

Если у вас возникнут вопросы или вы хотите сотрудничать, можете написать мне на почту: [email protected] или в LinkedIn.