איך מתחילים להשתמש במאגר מקומי של קונטיינרים ללמידה עמוקה

בדף הזה מוסבר איך ליצור ולהגדיר קונטיינר מקומי ללמידה עמוקה. במדריך הזה אנחנו יוצאים מנקודת הנחה שיש לכם היכרות בסיסית עם Docker.

לפני שמתחילים

כדי להגדיר חשבון Google Cloud , להפעיל את ממשקי ה-API הנדרשים ולהתקין ולהפעיל את התוכנה הנדרשת, צריך לבצע את השלבים הבאים.

  1. במסוף Google Cloud , נכנסים לדף Manage resources ובוחרים פרויקט או יוצרים פרויקט.

    כניסה לדף Manage resources

  2. מתקינים ומפעילים את ה-CLI של gcloud.

  3. מתקינים את Docker.

    אם אתם משתמשים במערכת הפעלה מבוססת Linux, כמו Ubuntu או Debian, אתם צריכים להוסיף את שם המשתמש שלכם לקבוצה docker כדי שתוכלו להריץ את Docker בלי להשתמש ב-sudo:

    sudo usermod -a -G docker ${USER}

    יכול להיות שתצטרכו להפעיל מחדש את המערכת אחרי שתצטרפו לקבוצה docker.

  4. פותחים את Docker. כדי לוודא ש-Docker פועל, מריצים את פקודת Docker הבאה, שמחזירה את השעה והתאריך הנוכחיים:

    docker run busybox date

  5. שימוש ב-gcloud ככלי עזר לפרטי הכניסה ל-Docker:

    gcloud auth configure-docker

  6. אופציונלי: אם רוצים להריץ את הקונטיינר באמצעות GPU באופן מקומי, צריך להתקין את nvidia-docker.

יצירת קונטיינר

כדי ליצור מאגר תגים:

  1. כדי לראות רשימה של מאגרי תגים זמינים:

    gcloud container images list \
  --repository="gcr.io/deeplearning-platform-release"

    כדאי לעבור אל בחירת מאגר תגים כדי לבחור את מאגר התגים הרצוי.

  2. אם אתם לא צריכים להשתמש במאגר עם תמיכה ב-GPU, מזינים את דוגמת הקוד הבאה. מחליפים את tf-cpu.1-13 בשם של מאגר התגים שבו רוצים להשתמש.

    docker run -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \
  gcr.io/deeplearning-platform-release/tf-cpu.1-13

    אם רוצים להשתמש במאגר תמונות עם תמיכה ב-GPU, מזינים את הקוד הבא לדוגמה. מחליפים את tf-gpu.1-13 בשם של מאגר התגים שבו רוצים להשתמש.

    docker run --runtime=nvidia -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \
  gcr.io/deeplearning-platform-release/tf-gpu.1-13

הפקודה הזו מפעילה את מאגר התגים במצב מנותק, מטמיעה את הספרייה המקומית /path/to/local/dir ב-/home/jupyter במאגר התגים וממפה את יציאה 8080 במאגר התגים ליציאה 8080 במחשב המקומי. הקונטיינר מוגדר מראש להפעלת שרת JupyterLab, שאפשר לגשת אליו בכתובת http://localhost:8080.

המאמרים הבאים