Windows部署Docker GPU深度学习开发环境

文章目录

• • • • 1. 安装linux子系统
      • 2. 安装Windows平台Docker-Desktop
      • 3. 安装GPU的Docker镜像
      • 4. 安装VsCode Docker支持

1. 安装linux子系统

windows目前已支持WSL2，可支持将主机的GPU映射到docker中运行。

• 查看windows平台可支持的linux子系统列表

wsl --list --online

- 安装子系统
推荐安装Ubuntu18.04，20版本有些软件还不能支持

wsl --install -d  Ubuntu-18.04

• 设置默认子系统

wsl --setdefault Ubuntu-18.04

2. 安装Windows平台Docker-Desktop

• 下载
  下载链接：点击此处

• 安装
  安装过程略，无脑安装即可。

3. 安装GPU的Docker镜像

• 拉取Docker镜像

docker pull tensorflow/tensorflow:2.8.0rc1-gpu-jupyter

其它镜像查询地址：传送门

• 查看下载后的镜像

docker images

tensorflow/tensorflow:2.8.0-gpu-jupyter既是拉取的镜像

• 基于镜像创建容器

docker run --gpus all -itd -v e:/dockerdir/docker_work/:/home/zhou/ -p 8888:8888 --ipc=host cc9a9ae2a5af jupyter notebook --no-browser --ip=0.0.0.0 --allow-root --NotebookApp.token= --notebook-dir='/home/zhou/'

参数详解:
–gpus all：不加此选项,nvidia-smi命令会不可用
-i: 交互式操作。
-t: 终端。
-p:端口映射，[Host Port]:[Container Port]
–ipc=host,启用进程间通讯
cc9a9ae2a5af:镜像ID
-d:后台运行，需要使用【docker exec -it 容器id /bin/bash】进入容器
- jupyternotebook启动命令：
jupyter notebook --no-browser --ip=0.0.0.0 --allow-root --NotebookApp.token= --notebook-dir='/home/zhou/'

• 查询容器ID

docker ps 

- 进入容器

docker exec -it cc58e655b170

4. 安装VsCode Docker支持

• 安装VsCode
  安装过程略。

• 安装Docker插件
  

• 附着容器映射到VsCode
  
  

• 安装python支持到容器
  

• 安装jupyter插件到容器VsCode
  

• 新建或打开notebook文件选择内核
  

• 测试GPU训练模型

import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Densefrom tensorflow.keras.optimizers import SGDimport time # config = tf.ConfigProto()# config.gpu_options.allow_growth = True# session = tf.Session(config=config)# 启用GPUfrom tensorflow.compat.v1 import ConfigProto# tf 2.x的写法config =ConfigProto()config.gpu_options.per_process_gpu_memory_fraction=0.6tf.compat.v1.Session(config=config)# 构建数据集X_data = np.linspace(-1,1,1000)[:, np.newaxis]noise = np.random.normal(0,0.05,X_data.shape)y_data = np.square(X_data) + noise + 0.5print("shape")print(X_data.shape)# 构建神经网络model = Sequential()model.add(Dense(10, input_shape=(1,), kernel_initializer='normal', activation='relu'))#model.add(Dense(5, activation='relu'))# vs 分类为softmax激活model.add(Dense(10000, kernel_initializer='normal'))model.add(Dense(10000, kernel_initializer='normal'))model.add(Dense(100, kernel_initializer='normal'))model.add(Dense(1, kernel_initializer='normal'))#sgd = SGD(lr=0.001)model.compile(loss='mean_squared_error', optimizer="sgd") #adam# 训练 epoch = 10, 30, 50, view the resultsstart = time.time()model.fit(X_data, y_data, epochs=50, batch_size=16, verbose=1)end = time.time()# 在原数据上预测y_predict=model.predict(X_data)#print(y_predict)model.summary()print("training time {}".format(end - start))

训练效果及GPU使用情况见下图

至此，Windows部署Docker GPU深度学习开发环境搭建完毕！