In questa pagina viene descritto come creare e configurare un contenitore di deep learning locale. Questa guida prevede che tu abbia familiarità con Docker.
Prima di iniziare
Completa i passaggi seguenti per configurare un account Google Cloud, abilitare le API richieste e installare e attivare il software richiesto.
In Google Cloud Console, vai alla pagina Gestisci risorse e seleziona o crea un progetto.
-
Se usi un sistema operativo basato su Linux, ad esempio Ubuntu o Debian, aggiungi il tuo nome utente al gruppo
docker
in modo da poter eseguire Docker senza utilizzaresudo
:sudo usermod -a -G docker ${USER}
Potrebbe essere necessario riavviare il sistema dopo esserti aggiunto al gruppo
docker
. Apri Docker. Per assicurarti che Docker sia in esecuzione, esegui il seguente comando Docker, che restituisce l'ora e la data correnti:
docker run busybox date
Utilizza
gcloud
come helper delle credenziali per Docker:gcloud auth configure-docker
(Facoltativo) Se vuoi eseguire il container utilizzando la GPU localmente, installa
nvidia-docker
.
Crea il contenitore
Per creare il contenitore, segui questi passaggi.
Per visualizzare un elenco dei contenitori disponibili:
gcloud container images list \ --repository="gcr.io/deeplearning-platform-release"
Per informazioni su come selezionare il contenitore, consulta Scelta di un contenitore.
Se non è necessario utilizzare un container abilitato per GPU, inserisci il seguente esempio di codice. Sostituisci tf-cpu.1-13 con il nome del container che vuoi utilizzare.
docker run -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \ gcr.io/deeplearning-platform-release/tf-cpu.1-13
Se vuoi utilizzare un container abilitato per GPU, inserisci il seguente esempio di codice. Sostituisci tf-gpu.1-13 con il nome del container che vuoi utilizzare.
docker run --runtime=nvidia -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \ gcr.io/deeplearning-platform-release/tf-gpu.1-13
Questo comando avvia il container in modalità scollegato, monta la directory locale /path/to/local/dir
in /home/jupyter
nel container e mappa la porta 8080 del container alla porta 8080 sulla macchina locale. Il
container è preconfigurato per l'avvio di un server JupyterLab, che puoi
visitare all'indirizzo http://localhost:8080
.
Passaggi successivi
- Scopri di più su come utilizzare i container nella documentazione di Docker.