【2024-11基于docker的双卡深度学习训练环境】关键步骤记录

最近给公司搭建了一个小型的深度学习环境，实现了多人通过SSH对GPU资源的利用，下面对一些关键架构和易用性部分进行记录。

一、整体软硬件框架
1、硬件配置，采用的双GPU的方案，两块消费级显卡。

2、应用层架构
宿主机系统为ubuntu22 采用ssh+docker+路径映射的形式，docker的容器主要提供训练相关环境，实际的代码保存在训练服务器的硬盘上，通过服务器本身的网络与Gitlab同步，数据部分也挂载到训练服务硬盘上。数据和代码路径一同映射到容器中。
数据服务器是只读的，做存档之用，需要copy到训练服务器上，进行处理和训练加载。

二、GPU框架
这里套用Nvidia的图

在宿主机中安装gpu的driver，nvidia-container-toolkit。在容器中安装cuda-toolkit。

三、docker的几个易用性
1、初始环境获取。
我使用的是阿里云提供的初始镜像。https://cr.console.aliyun.com/cn-hangzhou/instances/artifact 按需选择即可，我这里选用了ubuntu22+py310+pytorch23+cu12的镜像
2、镜像的保存与导入。

#1、导出
docker export container_id > /path/to/save/container.tar
#2、导入
docker import - newImage <  /path/to/save/container.tar

3、完成初始环境后有几个易用性可进行配置
1)、ssh开机启动
2)、宿主机与容器之间的路径映射
3)、ssh的端口映射
4)、容器中的时间配置成和宿主机一样(非实时同步）

其中1)需要在容器内配置完再保存成镜像后，重新载入。
2)和3)需要在创建容器时执行。
4)可以在容器运行时执行。
2)3)4)相关指令如下：

docker run -p 2024:22 -it --gpus all -v /home/user/workspace:/home/workspace imageName /bin/bash
# 将ssh的端口映射到2024
# 在该容器中使用全部的gpu资源
# 将宿主机user的workspace映射到容器中的workspace

docker cp /usr/share/zoneinfo/Asia/Shanghai ContainerID:/usr/share/zoneinfo/Asia/Shanghai
docker cp /etc/localtime ContainerID:/etc/localtime
# 将宿主机的时区信息copy到容器中
# 将宿主机的当前时间信息copy到容器中

三、总结
硬件虚拟化的基本步骤是一样的，一层是基本硬件驱动，一层是虚拟化管理。
对于深度学习环境而言，有两大部分需要完成上述管理，简单划分为CPU和GPU，其中CPU又包含了内存和硬盘等。
两者都有其对应的工具，简单画图示意下：