Cette page a été traduite par l'API Cloud Translation.

Premiers pas avec un conteneurs de deep learning local

Cette page explique comment créer et configurer un conteneur de deep learning local. Dans ce guide, nous partons du principe que vous maîtrisez les bases de Docker.

Avant de commencer

Pour configurer un compte Google Cloud, activer les API requises, puis installer et activer le logiciel requis, procédez comme suit :

Dans Google Cloud Console, accédez à la page Gérer les ressources, puis sélectionnez ou créez un projet.

Remarque : Si vous n'envisagez pas de conserver les ressources créées dans ce tutoriel, créez un projet au lieu de sélectionner un projet existant. Une fois que vous avez terminé, vous pouvez supprimer le projet en retirant toutes les ressources associées au projet et au tutoriel.

Accéder à la page Gérer les ressources
Installez et initialisez gcloud CLI.
Installez Docker.

Si vous utilisez un système d'exploitation Linux, tel qu'Ubuntu ou Debian, ajoutez votre nom d'utilisateur au groupe docker afin de pouvoir exécuter Docker sans utiliser sudo :
```
sudo usermod -a -G docker ${USER}
```
Attention :Le groupe docker équivaut à l'utilisateur root. Reportez-vous à la documentation de Docker pour découvrir plus en détail comment cela affecte la sécurité de votre système.

Une fois que vous vous serez ajouté au groupe docker, vous devrez peut-être redémarrer votre système.
Ouvrez Docker. Pour vérifier que Docker est en cours d'exécution, exécutez la commande Docker suivante, qui renvoie la date et l'heure actuelles :
```
docker run busybox date
```
Utilisez gcloud comme assistant d'identification pour Docker :
```
gcloud auth configure-docker
```
Facultatif : Si vous souhaitez exécuter le conteneur à l'aide d'un GPU en local, installez nvidia-docker.

Créer un conteneur

Suivez la procédure ci-dessous pour créer un conteneur.

Pour afficher la liste des conteneurs disponibles, procédez comme suit :
```
gcloud container images list \
  --repository="gcr.io/deeplearning-platform-release"
```
Consultez la page Choisir un conteneur pour vous aider à sélectionner le conteneur de votre choix.
Si vous n'avez pas besoin d'utiliser un conteneur compatible GPU, saisissez l'exemple de code suivant. Remplacez tf-cpu.1-13 par le nom du conteneur que vous souhaitez utiliser.
```
docker run -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \
  gcr.io/deeplearning-platform-release/tf-cpu.1-13
```
Si vous souhaitez utiliser un conteneur compatible GPU, saisissez l'exemple de code suivant. Remplacez tf-gpu.1-13 par le nom du conteneur que vous souhaitez utiliser.
```
docker run --runtime=nvidia -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \
  gcr.io/deeplearning-platform-release/tf-gpu.1-13
```

Cette commande démarre le conteneur en mode dissocié, installe le répertoire local /path/to/local/dir dans /home/jupyter dans le conteneur, et mappe le port 8080 du conteneur au port 8080 de votre ordinateur local. Le conteneur est préconfiguré pour démarrer un serveur JupyterLab, accessible depuis http://localhost:8080.

Étape suivante

Pour en savoir plus sur l'utilisation des conteneurs, consultez la documentation de Docker.