Hello，大家好呀！今天来记录一下自己在Ubuntu20.04中进行Docker镜像安装和深度学习框架的过程。
大家都知道使用深度学习的过程中非常依赖于软硬件的配置、环境的搭建。当我们在Linux系统中配置好适用的环境时，有时会和我们需要训练的代码不兼容，难道这时候只能将系统重装、环境重新配置吗？No!No!No!这样会极大的降低咱们学习的效率，增加成本（实际上，就是觉得太麻烦了！毕竟配环境已经很容易Bug百出了）
所以，这个时候咱们只能寻找有没有更简单的方法，最好能把单独的环境打包使用。Docker就很好地解决了这个问题！它能够为我们提供深度学习需要的环境、框架的镜像，帮助我们直接拉取官方已经配好的各种镜像。就像超多类型的“移动套餐”，任君选择。不仅如此，我们还可以在这些“移动套餐”里配备我们想要的各种应用、依赖包等等。
下面就来具体说说，咱们到底需要怎么安装并使用Docker呢？
一、安装Docker
安装Docker的过程很简单，其他网友提供的详细过程就很好。我这里就是参考了热心网友的帖子https://www.cnblogs.com/liang24/p/15230505.html
这个时候就有同学要问了，你这个分享的帖子是Ubuntu18.04安装的过程啦，这怎么行呢？
嘿嘿嘿！大家不要急，我亲身实验过啦，发现安装Docker的过程与Ubuntu版本基本没啥关系。按照这个教程也能安装成功。
二、安装nvidia-docker
由于默认安装的Docker都是基于CPU版本的，如果想要配合GPU进行一些简单的部署的话，则需要安装nvidia-docker来结合使用。当然，前提需要你的硬件支持gpu加速（nvidia系列），同时在系统中已经安装好了nvidia驱动和cuda以及cudnn和docker基础版。
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 update && sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker执行下面命令测试是否安装成功：
docker pull nvidia/cuda:11.1.1-cudnn8-devel-ubuntu18.04
(这里是安装cuda：11.1。因为我的机子是3090，实践证明，3090更适合11.1以上版本)
然鹅，真的能这么容易吗？我又叒遇到bug了！
分析了一下，应该是docker缺少root权限。解决方法如下：
sudo groupadd docker #添加docker用户组
sudo gpasswd -a $XXX docker #检测当前用户是否已经在docker用户组中，其中XXX为用户名，例如我的，daidai
sudo gpasswd -a $USER docker #将当前用户添加至docker用户组
newgrp docker #更新docker用户组没什么报错，能顺利安装，应该就没啥问题了。
三、Docker 修改容器默认存储位置
为了防止系统盘内存不足，可以修改docker的默认存储路径。
1）查看默认路径：
docker info
2）创建存储路径的文件并编辑
vim /etc/docker/daemon.json
注意：使用vim编辑文本时，按下“i”或者“insert”进行编辑，此时窗体最底部会出现---插入---，即可进行编辑。
3）输入自己修改的存储路径：
{
"graph":"/data/docker"
}4）完成编辑，退出输入，按 ESC 或者‘ctrl+C’,会发现底部的 – INSERT – 没有了
保存并且退出vim编辑
:wq + Enter键
vim保存文件时如果保存不了，强制保存。命令为：
: w ! sudo tee %
然后，使用 :qa! 退出。
到这里，我们就完成一大半儿啦！
四、搭建深度学习环境（重点）
1)从docker hub中找到需要的环境镜像docker hub。这里我选择的是cuda11.1版本配适ubuntu18.04
复制 docker pull 命令，在终端拉取镜像
docker pull nvidia/cuda:11.1.1-cudnn8-devel-ubuntu18.04
2）查看已安装的镜像
docker images
3）通过镜像创建容器，并挂载本地文件夹，文件夹路径根据实际情况写
这里需要注意，可以利用ID或者 “ REPOSITORY:TAG ”来创建容器。
在此之前，我们需要新建一个文件Luojianet，其路径为 /home/daidai/data/zy/DockerContainer/Luojianet ，用作本地与容器之前的连接。然后利用 “/home/daidai/data/zy/DockerContainer/Luojianet:/Luojianet”
将本地的 /home/daidai/data/zy/DockerContainer/Luojianet 路径挂载到容器中的 Luojianet 下。这里就是建立容器与宿主机文件共享（这里将宿主机 Luojianet 文件夹与容器共享，因此代码、数据上传到宿主机 Luojianet 文件夹即可，后续任务基于该文件夹）。注意这个文件夹很重要！！！可以理解为Linux中的home主目录，调用容器之后，使用的路径也是从这个文件夹开始的。
通过ID：
docker run --gpus all --shm-size 8G -it -v /home/daidai/data/zy/DockerContainer/Luojianet:/Luojianet 195963274e92 /bin/bash
通过“ REPOSITORY:TAG ”：
docker run --gpus all -it -v /home/daidai/data/zy/DockerContainer/Luojianet:/Luojianet nvidia/cuda:11.1.1-cudnn8-devel-ubuntu18.04 /bin/bash
以下就进入创建的容器中了：
注意：我在创建容器的时候出现了一个bug
还好请教了大佬，获得以下解决方法：
sudo find / -name runc
一度以为没有runc！崩溃啊！转念一想，不对啊！我记得明明之前配置主系统的时候有啊？！
然后查看我的NVIDIA驱动，驱动都没了！！！啊啊啊啊！！！怎么会这样！
只能重新安装驱动了。。。心塞啊。查找了一下网上说，也许和软件自动更新有关，所以果断地把它关闭了。祈祷下次驱动还在！！！我安装驱动采用系统推荐的，感觉能少踩雷。
解决完这个问题，再重新创建容器就OK了。
3）检查是否可以调用显卡驱动、cuda是否可用
nvidia-smi
nvcc -V
成功配置镜像，并进入容器！！！都没问题，则容器可以成功调用显卡，并使用 cuda！欧耶！
4）安装anaconda
首先，去清华镜像下载我们需要的anaconda版本，这里我用的是 Anaconda3-5.3.0-Linux-x86_64.sh。然后把它上传到之前创建的Luojianet中。
！！！注意！！！
切换到安装包的路径中。由于Loujianet等同于home，因此，切换路劲的时候需要注意，如下：
cd Loujianet
实际上，真实物理机上的路径为/home/daidai/data/zy/DockerContainer/Luojianet。
其实，为了更好的模拟home的使用，可以直接采用home来映射，而无需新建文件夹，即：
/home/daidai/data/zy/DockerContainer/Luojianet:/home/daidai/data/zy/DockerContainer/Luojianet
这样就可以保持和物理机一样的设置了，Luojianet就成了单纯的文件夹，home则为主目录。炒鸡nice啊！
检查并使用conda：
source ~/.bashrc #更新环境变量
source activate #激活conda，进入base环境
文章评论