百木园-与人分享,
就是让自己快乐。

【Docker】使用Docker Client和Docker Go SDK为容器分配GPU资源

目录

  • 背景
  • 使用 Docker Client 调用 GPU
    • 依赖安装
      • 安装 Docker
      • 安装 NVIDIA Container Toolkit¶
    • --gpus 用法
  • 使用 Docker Go SDK 为容器分配 GPU
    • 使用 NVIDIA/go-nvml 获取 GPU 信息
    • 使用 Docker Go SDK 为容器分配 GPU

背景

深度学习的环境配置通常是一项比较麻烦的工作,尤其是在多个用户共享的服务器上。虽然conda集成了virtualenv这样的工具用来隔离不同的依赖环境,但这种解决方案仍然没办法统一地分配计算资源。现在,我们可以通过容器技术为每个用户创建一个属于他们自己的容器,并为容器分配相应的计算资源。目前市面上基于容器的深度学习平台产品已经有很多了,比如超益集伦的AiMax。这款产品本身集成了非常多的功能,但如果你只是需要在容器内调用一下GPU,可以参考下面的步骤。

使用 Docker Client 调用 GPU

依赖安装

docker run --gpu 命令依赖于 nvidia Linux 驱动和 nvidia container toolkit,如果你想查看安装文档请点击这里,本节的下文只是安装文档的翻译和提示。

在Linux服务器上安装nvidia驱动非常简单,如果你安装了图形化界面的话直接在Ubuntu的“附加驱动”应用中安装即可,在nvidia官网上也可以下载驱动。

接下来就是安装nvidia container toolkit,我们的服务器需要满足一些先决条件:

  • GNU/Linux x86_64 内核版本 > 3.10

  • Docker >= 19.03 (注意不是Docker Desktop,如果你想在自己的台式机上使用toolkit,请安装Docker Engine而不是Docker Desktop,因为Desktop版本都是运行在虚拟机之上的)

  • NVIDIA GPU 架构 >= Kepler (目前RTX20系显卡是图灵架构,RTX30系显卡是安培架构)

  • NVIDIA Linux drivers >= 418.81.07

然后就可以正式地在Ubuntu或者Debian上安装NVIDIA Container Toolkit,如果你想在 CentOS 上或者其他 Linux 发行版上安装,请参考官方的安装文档

安装 Docker

$ curl https://get.docker.com | sh \\
  && sudo systemctl --now enable docker

当然,这里安装完成后请参考官方的安装后需要执行的一系列操作。如果安装遇到问题,请参照官方的安装文档。

安装 NVIDIA Container Toolkit¶

设置 Package Repository和GPG Key

$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \\
      && curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \\
      && curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \\
            sed \'s#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g\' | \\
            sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

请注意:如果你想安装 NVIDIA Container Toolkit 1.6.0 之前的版本,你应该使用 nvidia-docker repository 而不是上方的 libnvidia-container repositories。
如果遇到问题请直接参考安装手册
安装 nvidia-docker2 应该会自动安装 libnvidia-container-tools libnvidia-container1 等依赖包,如果没有安装可以手动安装

完成前面步骤后安装 nvidia-docker2

$ sudo apt update 
$ sudo apt install -y nvidia-docker2

重启 Docker Daemon

$ sudo systemctl restart docker

接下来你就可以通过运行一个CUDA容器测试下安装是否正确。

docker run --rm --gpus all nvidia/cuda:11.0.3-base-ubuntu20.04 nvidia-smi

Shell 中显示的应该类似于下面的输出:

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 450.51.06    Driver Version: 450.51.06    CUDA Version: 11.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla T4            On   | 00000000:00:1E.0 Off |                    0 |
| N/A   34C    P8     9W /  70W |      0MiB / 15109MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

--gpus 用法

注意,如果你安装的是 nvidia-docker2 的话,它在安装时就已经在 Docker 中注册了 NVIDIA Runtime。如果你安装的是 nvidia-docker ,请根据官方文档向Docker注册运行时。
如果你有任何疑问,请移步本节参考的文档

可以使用以 Docker 开头的选项或使用环境变量将 GPU 指定给 Docker CLI。此变量控制在容器内可访问哪些 GPU。

  • --gpus
  • NVIDIA_VISIBLE_DEVICES
可能的值 描述
0,1,2 或者 GPU-fef8089b 逗号分割的GPU UUID(s) 或者 GPU 索引
all 所有GPU都可被容器访问,默认值
none 不可访问GPU,但可以使用驱动提供的功能
void或者 empty 或者 unset nvidia-container-runtime will have the same behavior as (i.e. neither GPUs nor capabilities are exposed)runc

使用该选项指定 GPU 时,应使用该参数。参数的格式应封装在单引号中,后跟要枚举到容器的设备的双引号。例如:将 GPU 2 和 3 枚举到容器。--gpus \'\"device=2,3\"\'

使用 NVIDIA_VISIBLE_DEVICES 变量时,可能需要设置--runtime nvidia除非已设置为默认值。

  1. 设置一个启用CUDA支持的容器

    $ docker run --rm --gpus all nvidia/cuda nvidia-smi
    
  2. 指定 nvidia 作为运行时,并指定变量 NVIDIA_VISIBLE_DEVICES

    $ docker run --rm --runtime=nvidia \\
        -e NVIDIA_VISIBLE_DEVICES=all nvidia/cuda nvidia-smi
    
  3. 为启动的容器分配2个GPU

    $ docker run --rm --gpus 2 nvidia/cuda nvidia-smi
    
  4. 为容器指定使用索引为1和2的GPU

    $ docker run --gpus \'\"device=1,2\"\' \\
    	nvidia/cuda nvidia-smi --query-gpu=uuid --format=csv
    
    uuid
    GPU-ad2367dd-a40e-6b86-6fc3-c44a2cc92c7e
    GPU-16a23983-e73e-0945-2095-cdeb50696982
    
  5. 也可以使用 NVIDIA_VISIBLE_DEVICES

    $ docker run --rm --runtime=nvidia \\
    	-e NVIDIA_VISIBLE_DEVICES=1,2 \\
    	nvidia/cuda nvidia-smi --query-gpu=uuid --format=csv
    
    uuid
    GPU-ad2367dd-a40e-6b86-6fc3-c44a2cc92c7e
    GPU-16a23983-e73e-0945-2095-cdeb50696982
    
  6. 使用 nvidia-smi 查询 GPU UUID 然后将其指定给容器

    $ nvidia-smi -i 3 --query-gpu=uuid --format=csv
    
    uuid
    GPU-18a3e86f-4c0e-cd9f-59c3-55488c4b0c24
    
    docker run --gpus device=GPU-18a3e86f-4c0e-cd9f-59c3-55488c4b0c24 \\ 
    	nvidia/cuda nvidia-smi
    

关于在容器内使用驱动程序的功能的设置,以及其他设置请参阅这里。

使用 Docker Go SDK 为容器分配 GPU

使用 NVIDIA/go-nvml 获取 GPU 信息

NVIDIA/go-nvml 提供NVIDIA Management Library API (NVML) 的Go语言绑定。目前仅支持Linux,仓库地址。

下面的演示代码获取了 GPU 的各种信息,其他功能请参考 NVML 和 go-nvml 的官方文档。

package main

import (
	\"fmt\"
	\"github.com/NVIDIA/go-nvml/pkg/nvml\"
	\"log\"
)

func main() {
	ret := nvml.Init()
	if ret != nvml.SUCCESS {
		log.Fatalf(\"Unable to initialize NVML: %v\", nvml.ErrorString(ret))
	}
	defer func() {
		ret := nvml.Shutdown()
		if ret != nvml.SUCCESS {
			log.Fatalf(\"Unable to shutdown NVML: %v\", nvml.ErrorString(ret))
		}
	}()

	count, ret := nvml.DeviceGetCount()
	if ret != nvml.SUCCESS {
		log.Fatalf(\"Unable to get device count: %v\", nvml.ErrorString(ret))
	}

	for i := 0; i < count; i++ {
		device, ret := nvml.DeviceGetHandleByIndex(i)
		if ret != nvml.SUCCESS {
			log.Fatalf(\"Unable to get device at index %d: %v\", i, nvml.ErrorString(ret))
		}
		
		// 获取 UUID 
		uuid, ret := device.GetUUID()
		if ret != nvml.SUCCESS {
			log.Fatalf(\"Unable to get uuid of device at index %d: %v\", i, nvml.ErrorString(ret))
		}
		fmt.Printf(\"GPU UUID: %v\\n\", uuid)

		name, ret := device.GetName()
		if ret != nvml.SUCCESS {
			log.Fatalf(\"Unable to get name of device at index %d: %v\", i, nvml.ErrorString(ret))
		}
		fmt.Printf(\"GPU Name: %+v\\n\", name)

		memoryInfo, _ := device.GetMemoryInfo()
		fmt.Printf(\"Memory Info: %+v\\n\", memoryInfo)

		powerUsage, _ := device.GetPowerUsage()
		fmt.Printf(\"Power Usage: %+v\\n\", powerUsage)

		powerState, _ := device.GetPowerState()
		fmt.Printf(\"Power State: %+v\\n\", powerState)

		managementDefaultLimit, _ := device.GetPowerManagementDefaultLimit()
		fmt.Printf(\"Power Managment Default Limit: %+v\\n\", managementDefaultLimit)

		version, _ := device.GetInforomImageVersion()
		fmt.Printf(\"Info Image Version: %+v\\n\", version)

		driverVersion, _ := nvml.SystemGetDriverVersion()
		fmt.Printf(\"Driver Version: %+v\\n\", driverVersion)

		cudaDriverVersion, _ := nvml.SystemGetCudaDriverVersion()
		fmt.Printf(\"CUDA Driver Version: %+v\\n\", cudaDriverVersion)

		computeRunningProcesses, _ := device.GetGraphicsRunningProcesses()
		for _, proc := range computeRunningProcesses {
			fmt.Printf(\"Proc: %+v\\n\", proc)
		}
	}

	fmt.Println()
}

使用 Docker Go SDK 为容器分配 GPU

首先需要用的的是 ContainerCreate API

// ContainerCreate creates a new container based in the given configuration.
// It can be associated with a name, but it\'s not mandatory.
func (cli *Client) ContainerCreate(
	ctx context.Context, 
	config *container.Config,
	hostConfig *container.HostConfig,
	networkingConfig *network.NetworkingConfig, 
	platform *specs.Platform, 
	containerName string) (container.ContainerCreateCreatedBody, error) 

这个 API 中需要很多用来指定配置的 struct, 其中用来请求 GPU 设备的是 container.HostConfig 这个 struct 中的 Resources ,它的类型是 container.Resources ,而在它的里面保存的是 container.DeviceRequest 这个结构体的切片,这个变量会被 GPU 设备的驱动使用。

cli.ContainerCreate API  需要 ---------> container.HostConfig{
						Resources: container.Resources{
							DeviceRequests: []container.DeviceRequest {
								{
									Driver:       \"nvidia\",
									Count:        0,
									DeviceIDs:    []string{\"0\"},
									Capabilities: [][]string{{\"gpu\"}},
									Options:      nil,
								}
							}
						}
					}

下面是 container.DeviceRequest 结构体的定义

// DeviceRequest represents a request for devices from a device driver.
// Used by GPU device drivers.
type DeviceRequest struct {
	Driver       string            // 设备驱动名称 这里就填写 \"nvidia\" 即可
	Count        int               // 请求设备的数量 (-1 = All)
	DeviceIDs    []string          // 可被设备驱动识别的设备ID列表,可以是索引也可以是UUID
	Capabilities [][]string        // An OR list of AND lists of device capabilities (e.g. \"gpu\")
	Options      map[string]string // Options to pass onto the device driver
}

注意:如果指定了 Count 字段,就无法通过 DeviceIDs 指定 GPU,它们是互斥的。

接下来我们尝试使用 Docker Go SDK 启动一个 pytorch 容器。

首先我们编写一个 test.py 文件,让它在容器内运行,检查 CUDA 是否可用。

# test.py
import torch

print(\"cuda.is_available:\", torch.cuda.is_available())

下面是实验代码,启动一个名为 torch_test_1 的容器,并运行 python3 /workspace/test.py 命令,然后从 stdoutstderr 获取输出。

package main

import (
	\"context\"
	\"fmt\"
	\"github.com/docker/docker/api/types\"
	\"github.com/docker/docker/api/types/container\"
	\"github.com/docker/docker/client\"
	\"github.com/docker/docker/pkg/stdcopy\"
	\"os\"
)

var (
	defaultHost = \"unix:///var/run/docker.sock\"
)

func main() {
	ctx := context.Background()
	cli, err := client.NewClientWithOpts(client.WithHost(defaultHost), client.WithAPIVersionNegotiation())
	if err != nil {
		panic(err)
	}

	resp, err := cli.ContainerCreate(ctx,
		&container.Config{
			Image:     \"pytorch/pytorch\",
			Cmd:       []string{},
			OpenStdin: true,
			Volumes:   map[string]struct{}{},
			Tty:       true,
		}, &container.HostConfig{
			Binds: []string{`/home/joseph/workspace:/workspace`},
			Resources: container.Resources{DeviceRequests: []container.DeviceRequest{{
				Driver:       \"nvidia\",
				Count:        0,
				DeviceIDs:    []string{\"0\"},
				Capabilities: [][]string{{\"gpu\"}},
				Options:      nil,
			}}},
		}, nil, nil, \"torch_test_1\")
	if err != nil {
		panic(err)
	}

	if err := cli.ContainerStart(ctx, resp.ID, types.ContainerStartOptions{}); err != nil {
		panic(err)
	}

	fmt.Println(resp.ID)

	execConf := types.ExecConfig{
		User:         \"\",
		Privileged:   false,
		Tty:          false,
		AttachStdin:  false,
		AttachStderr: true,
		AttachStdout: true,
		Detach:       true,
		DetachKeys:   \"ctrl-p,q\",
		Env:          nil,
		WorkingDir:   \"/\",
		Cmd:          []string{\"python3\", \"/workspace/test.py\"},
	}
	execCreate, err := cli.ContainerExecCreate(ctx, resp.ID, execConf)
	if err != nil {
		panic(err)
	}

	response, err := cli.ContainerExecAttach(ctx, execCreate.ID, types.ExecStartCheck{})
	defer response.Close()
	if err != nil {
		fmt.Println(err)
	}

	// read the output
	_, _ = stdcopy.StdCopy(os.Stdout, os.Stderr, response.Reader)
}

可以看到,程序输出了创建的容器的 Contrainer ID 和 执行命令的输出。

$ go build main.go 
$ sudo ./main 
264535c7086391eab1d74ea48094f149ecda6d25709ac0c6c55c7693c349967b
cuda.is_available: True

接下来使用 docker ps 查看容器状态。

$ docker ps 
CONTAINER ID   IMAGE             COMMAND   CREATED         STATUS             PORTS     NAMES
264535c70863   pytorch/pytorch   \"bash\"    2 minutes ago   Up 2 minutes                 torch_test_1

没问题,Container ID 对得上。


来源:https://www.cnblogs.com/joexu01/p/16539619.html
本站部分图文来源于网络,如有侵权请联系删除。

未经允许不得转载:百木园 » 【Docker】使用Docker Client和Docker Go SDK为容器分配GPU资源

相关推荐

  • 暂无文章