4、数据优先、简易环境搭建与数据预处理

数据优先、简易环境搭建与数据预处理

1. 安装NVIDIA GPU驱动

安装正确的NVIDIA驱动极为重要。在TensorFlow中使用CUDA是实现诸多功能的关键。NVIDIA对CUDA库的描述为：“CUDA® 是NVIDIA开发的并行计算平台和编程模型，用于在图形处理单元（GPU）上进行通用计算。借助CUDA，开发者能够利用GPU的强大性能大幅加速计算应用程序。”（来源：https://developer.nvidia.com/cuda-zone）

使用CUDA，TensorFlow在处理能力方面能够实现显著的加速。为了实现这一点，我们需要在主机上安装特定类型的GPU和驱动。

可以运行 nvidia-smi 命令来查看系统上安装的驱动版本，示例输出会显示你的GPU、正在运行的进程以及当前安装的驱动版本。

2. 安装Nvidia-Docker

在安装Nvidia-Docker之前，我们需要了解其层级结构，它能让Docker引擎与GPU进行交互。

Docker是一种轻量级的容器技术。Docker容器运行在同一台机器上时，会共享该机器的操作系统内核，启动迅速，占用的计算资源和内存较少。镜像由文件系统层构建而成，并共享公共文件（来源：https://www.docker.com/what-container）。

本质上，Docker允许我们在容器中创建轻量级的虚拟机（VM），可以将所有应用程序放置其中，并确保每次进入该容器时环境都是相同的。Nvidia-Docker更进一步，为Docker容器提供了与GPU交互的适当链接，这是开发环境的关键部分。一旦设置好Nvidia-D