用Docker玩转深度学习

本文讲的是<b>用Docker玩转深度学习</b>【编者的话】这篇文章介绍了Docker与深度学习结合的例子。Docker的优势是解决了依赖的问题，方便分发个人工作成果；缺点是不直接支持GPU，需要开发者自己安装nvidia-docker。

Docker提供了一种将Linux Kernel中需要的内容静态链接到你的应用中的方法。Docker容器可以使用宿主机的GPUs，因此我们可以把TensorFlow或者机器学习代码的任何依赖都链接到

容器中，这样其他小伙伴就可以使用你的工作成果了。

你可以发布一个可再现的机器学习项目，它几乎不需要用户设置，不需要用户花6小时去下载依赖或者报错：

相反，你可以这样做：

这种方法可以直接运行你的<code>train.py</code>脚本，所有的依赖包括GPU支持都帮你准备好了。

Docker容器是短暂的，不需要持久化任何数据，你可以把Docker容器想象成1G大的<code>tensorflow.exe</code>，它把你所有的依赖都编译进去了。

开源软件因为有难以重现、复杂的依赖网络：不同版本的编译器、丢失头文件、错误的库路径等，所有这些导致在软件的安装配置阶段浪费你大量的时间。

使用Docker时，理论上你只要要让Docker正确工作，然后你所有的代码就可以运行了。幸运的是，Docker已经融资1.8亿美元，并将一部分投入到docker开发中，转换成可以工作的软件。

我打算在Linux上用Docker，Mac上的用法应该一样，除了不支持GPU。

针对机器学习的使用场景，你最好把你的代码发布到GitHub repo上。你的依赖通常表示成一系列Linux命令行，这些命令行能复制粘帖到终端中运行。（译者注：即依赖放到Dockerfile中）。

Docker用一个命令替换第二部分（译者注：第一部分是把代码放到GitHub repo上，第二部分是在Docker镜像中执行命令行，配置你的依赖），该命令将拉取运行代码所需的正确docker镜像。你会把所有的依赖集成到3G大（压缩后）的镜像中，用户可以直接下载使用你的镜像。

尽管训练脚本的依赖很少（做到这样很伟大了），但是脚本使用的工具却有很多依赖，而且这些依赖文档不全面，组合在一个镜像中非常复杂繁琐。

<a href="http://dockerone.com/uploads/article/20170305/3d3d6c73d28f2defdb9b279434bc4cc6.png" target="_blank"></a>

如果你不小心弄乱了依赖，可能会遇到下面的错误：

<a href="http://dockerone.com/uploads/article/20170305/a19a2e0da3252ccd3368076bffe47df3.png" target="_blank"></a>

在Linux server上直接安装docker和nvidia-docker，Docker容器可以访问GPU，没有明显的性能损失。

我这里有一个在Ubuntu 16.04 LTS上安装Docker的脚本，适用于云服务提供商：

装好Docker后，运行<code>pix2pix</code>代码：

下面是完整的脚本，多行显示方便阅读：

它会下载我构建的镜像（镜像包含Torch，支持<code>nvidia-docker</code>），大小在3G。

运行后会打印debug信息，到这里已经很棒了。但运行在GPU上更重要，因为pix2pix的架构设计在GPU上可以获得足够的训练速度。

在GPU上运行只需要把上面命令中的<code>docker</code>镜像替换成<code>nvidia-docker</code>。

<code>nvidia-docker</code>不包含在标准Docker中，所以你需要额外的工作。下面的脚本可以在Ubuntu 16.04 LTS上配置nvidia-docker：

大概花费5分钟，而且我已经在AWS和Azure上测试过了。两者都是NVIDIA K80卡，额定值为2.9 FP32 TFLOPS。

nvidia-docker配置好运行：

假设上面的命令正常运行，重新运行pix2pix的脚本：

它使用相同的Docker镜像，但是支持GPU。

使用Python和TensorFlow时，有许多有用的命令行选项：

这会让python立即打印输出，而不是先缓存起来。

这使得你每次启动Tensorflow时都没有1分钟的延迟，它必须从头重新编译CUDA内核。

这两个选项集成到Docker命令行中后：

这个命令很长，你可以定义命令别名：

<code>pix2pix-tensorflow</code>除了Tensorflow 0.12.1（当时当前发布的版本）之外没有别的依赖关系。但是即使如此，第一个GitHub issue是一个用户使用错误版本的Tensorflow导致的。

幸运地是，集成到你自己的项目中非常简单。

你先新建空目录，新建文件Dockerfile。然后构建镜像：

构建结束后你就可以查看镜像了：

通过docker push把你的镜像推送到Docker Hub上：

Docker新用户可以先使用我的镜像。docker提供了不依赖Docker Hub分发镜像的机制，但是他用起来不是很方便：

虽然Docker镜像容易复制，但是从Dockerfile到镜像的转换不一定是可复制的。你可以使用下面的命令检查镜像的构建历史记录：

它不会显示被添加到镜像中的所有文件。比如，如果你的Dockerfile包含<code>git clone</code>或者<code>apt-get update</code>，很可能在两个不同的日子里构建产生不同的镜像。

另外，如果docker构建时指定了cpu版本，那么镜像在其它机器上很可能不工作。

只要我们分发的是Docker镜像，那么它就是可再现的。如果你想通过Dockerfile再现镜像，如果你不非常小心编写构建Dockerfile的话，很可能失败。（译者注：镜像构建好后不会变，可再现，但是从Dockerfile构建，很可能因为cpu版本、git clone仓库更新而不可再现镜像）

目前还不清楚这些优势是否值得付出努力，但是如果你的Dockerfile是从头开始构建的，并且使用<code>--network none</code>选项，大多数情形镜像是可重现的。

如果镜像再现很容易，这项技术将会很酷。现在Docker已经取得实质性进展，让依赖再现成为可能，这是伟大的进步。

这篇文章介绍了Docker与深度学习结合的例子。Docker的优势是解决了依赖的问题，方便分发个人工作成果；缺点是不直接支持GPU，需要开发者自己安装nvidia-docker。

文章最后作者论述了Docker镜像的可再现问题，总结如下：

分发的是Docker镜像，那么基本可以保证镜像的一致性（可再现）。

分发的是Dockerfile，Dockerfile中存在git clone或者apt update，会因为时间因素导致clone的repo更新导致镜像不一致。

<b>原文发布时间为：</b>2017-03-05

<b>本文作者：</b>卢文泉

<b>本文来自云栖社区合作伙伴Dockerone.io，了解相关信息可以关注Dockerone.io。</b>

<b></b>

<b>原文标题：</b><b>用Docker玩转深度学习</b>