说明：
本文来自GPU 云服务器用户实践征文，仅供学习和参考。
操作场景
您可通过 Docker 快速在 GPU 实例上运行 TensorFlow，且该方式仅需实例已安装 NVIDIA® 驱动程序，无需安装 NVIDIA® CUDA® 工具包。
本文介绍如何在 GPU 云服务器上，使用 Docker 安装 TensorFlow 并设置 GPU/CPU 支持。
说明事项
本文操作步骤以 Ubuntu 20.04 操作系统的 GPU 云服务器为例。
您的 GPU 云服务器实例需已安装 GPU 驱动。
说明：
建议使用公共镜像创建 GPU 云服务器。若选择公共镜像，则勾选“后台自动安装GPU驱动”即可预装相应版本驱动。该方式仅支持部分 Linux 公共镜像。
操作步骤
安装 Docker
1. 登录实例，依次执行以下命令，安装所需系统工具。
sudo apt-get update
sudo apt-get install \\ca-certificates \\curl \\gnupg \\lsb-release
2. 执行以下命令，安装 GPG 证书，写入软件源信息。
sudo mkdir -p /etc/apt/keyringscurl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpgecho \\"deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \\$(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
3. 依次执行以下命令，更新并安装 Docker-CE。
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-plugin
安装 TensorFlow
设置 NVIDIA 容器工具包
1. 执行以下命令，设置包存储库和 GPG 密钥。详细信息请参见 Setting up NVIDIA Container Toolkit。
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \\&& curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \\&& curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \\sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \\sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
2. 执行以下命令，安装 nvidia-docker2 包及依赖项。
sudo apt-get update
sudo apt-get install -y nvidia-docker2
3. 执行以下命令，设置默认运行时重启 Docker 守护进程完成安装。
sudo systemctl restart docker
4. 此时可执行以下命令，通过运行基本 CUDA 容器来测试工作设置。
sudo docker run --rm --gpus all nvidia/cuda:11.0.3-base-ubuntu20.04 nvidia-smi
返回结果如下所示：
+-----------------------------------------------------------------------------+| NVIDIA-SMI 450.51.06 Driver Version: 450.51.06 CUDA Version: 11.0 ||-------------------------------+----------------------+----------------------+| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. || | | MIG M. ||===============================+======================+======================|| 0 Tesla T4 On | 00000000:00:1E.0 Off | 0 || N/A 34C P8 9W / 70W | 0MiB / 15109MiB | 0% Default || | | N/A |+-------------------------------+----------------------+----------------------++-----------------------------------------------------------------------------+| Processes: || GPU GI CI PID Type Process name GPU Memory || ID ID Usage ||=============================================================================|| No running processes found |+-----------------------------------------------------------------------------+
下载 TensorFlow Docker 镜像
标记 | 说明 |
latest | TensorFlow CPU 二进制镜像的最新版本。（默认版本） |
nightly | TensorFlow 镜像的每夜版。（不稳定） |
version | 指定 TensorFlow 二进制镜像的版本，例如 2.1.0。 |
devel | TensorFlow master 开发环境的每夜版。包含 TensorFlow 源代码。 |
custom-op |
每个基本标记都有会添加或更改功能的变体：
标记变体 | 说明 |
tag -gpu | 支持 GPU 的指定标记版本。 |
tag -jupyter | 针对 Jupyter 的指定标记版本（包含 TensorFlow 教程笔记本）。 |
您可以一次使用多个变体。例如，以下命令会将 TensorFlow 版本镜像下载到计算机上：
docker pull tensorflow/tensorflow # latest stable releasedocker pull tensorflow/tensorflow:devel-gpu # nightly dev release w/ GPU supportdocker pull tensorflow/tensorflow:latest-gpu-jupyter # latest release w/ GPU support and Jupyter
启动 TensorFlow Docker 容器
docker run [-it] [--rm] [-p hostPort:containerPort] tensorflow/tensorflow[:tag] [command]
示例
使用仅支持 CPU 的镜像的示例
如下所示，使用带
latest 标记的镜像验证 TensorFlow 安装效果。Docker 会在首次运行时下载新的 TensorFlow 镜像：docker run -it --rm tensorflow/tensorflow \\python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
其他 TensorFlow Docker 方案示例如下：
在配置 TensorFlow 的容器中启动
bash shell 会话：docker run -it tensorflow/tensorflow bash
如需在容器内运行在主机上开发的 TensorFlow 程序，请通过
-v hostDir:containerDir -w workDir 参数，装载主机目录并更改容器的工作目录。示例如下：docker run -it --rm -v $PWD:/tmp -w /tmp tensorflow/tensorflow python ./script.py
说明：
向主机公开在容器中创建的文件时，可能会出现权限问题。通常情况下，最好修改主机系统上的文件。
使用 nightly 版 TensorFlow 启动 Jupyter 笔记本服务器：
docker run -it -p 8888:8888 tensorflow/tensorflow:nightly-jupyter
使用支持 GPU 的镜像的示例
执行以下命令，下载并运行支持 GPU 的 TensorFlow 镜像。
docker run --gpus all -it --rm tensorflow/tensorflow:latest-gpu \\python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
设置支持 GPU 镜像可能需要一段时间。如果重复运行基于 GPU 的脚本，您可以使用
docker exec 重复使用容器。执行以下命令，使用最新的 TensorFlow GPU 镜像在容器中启动
bash shell 会话：docker run --gpus all -it tensorflow/tensorflow:latest-gpu bash
是
否
本页内容是否解决了您的问题？