En esta página, se describe cómo crear y configurar un contenedor local de aprendizaje profundo. También, en esta guía, se espera que estés familiarizado con Docker.
Antes de comenzar
Completa los siguientes pasos para configurar una cuenta de Google Cloud, habilitar las API necesarias y, también, instalar y activar el software requerido.
En la consola de Google Cloud, ve a la página Administrar recursos y selecciona un proyecto o crea uno nuevo.
-
Si usas un sistema operativo basado en Linux, como Ubuntu o Debian, agrega tu nombre de usuario al grupo
docker
para que puedas ejecutar Docker sin usarsudo
:sudo usermod -a -G docker ${USER}
Es posible que debas reiniciar tu sistema después de agregarte al grupo
docker
. Abre Docker. Para garantizar que Docker esté en funcionamiento, ejecuta el siguiente comando de Docker, que muestra la hora y la fecha actuales:
docker run busybox date
Usa
gcloud
como auxiliar de credenciales para Docker:gcloud auth configure-docker
Opcional: Si deseas ejecutar el contenedor con GPU de forma local, instala
nvidia-docker
.
Crea tu contenedor
Sigue estos pasos para crear el contenedor.
Para ver una lista de contenedores disponibles, sigue estos pasos:
gcloud container images list \ --repository="gcr.io/deeplearning-platform-release"
Se recomienda ir a Elige un contenedor para ayudarte a seleccionar el contenedor que deseas.
Si no necesitas usar un contenedor habilitado para GPU, ingresa el siguiente ejemplo de código. Reemplaza tf-cpu.1-13 con el nombre del contenedor que deseas usar.
docker run -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \ gcr.io/deeplearning-platform-release/tf-cpu.1-13
Si deseas usar un contenedor compatible con GPU, ingresa el siguiente ejemplo de código. Reemplaza tf-gpu.1-13 con el nombre del contenedor que deseas usar.
docker run --runtime=nvidia -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \ gcr.io/deeplearning-platform-release/tf-gpu.1-13
Con este comando, se inicia el contenedor en modo desconectado, se activa el directorio local /path/to/local/dir
en /home/jupyter
en el contenedor y se asigna el puerto 8080 en el contenedor al puerto 8080 de tu máquina local. El contenedor está preconfigurado para iniciar un servidor de JupyterLab, que puedes visitar en http://localhost:8080
.
¿Qué sigue?
- Obtén más información sobre cómo trabajar con contenedores en la documentación de Docker.