――Obtenez un PC de bureau avec GPU NVIDIA pour environ 10 Sakichi --Installez Ubuntu20.04 et ajustez la convivialité sur Mac --Installez Docker sur Ubuntu 20.04 et construisez le système suivant sur Docker - TensorFlow+Keras --ROS2 (non répertorié. Des mises à jour supplémentaires sont en cours) --PyTorch (non répertorié. Des mises à jour supplémentaires sont en cours)
J'ai installé "Ubuntu 18.04" dans l'environnement virtuel MacBookPro + et j'ai exécuté "DeepLeaning / ROS1" dessus pour jouer, mais ** [Commençons "DeepLeaning" sérieusement et "DeepLeaning② fait à partir de zéro" Semble avoir besoin d'un GPU] **, donc je cherchais ** "eGPU" ** qui se connecte au MacBook Pro.
Information avec! ** Apple et NVIDIA se sont battus tout le temps. ** Cependant, j'ai été déçu d'acheter un PC (j'avais une petite somme d'argent), alors j'ai essayé diverses choses, mais
--Microsoft Azure: les débutants Linux sont lourdement chargés lors des allers-retours --Google Colab: délai de 90 minutes
À la suite de, j'étais en colère de l'utiliser dans ROS et j'ai décidé d'acheter un PC avec un GPU dédié à Ubuntu (à ce moment-là, pour la première fois de ma vie, j'ai réalisé la réalité d'acheter un PC autre que Mac, et la valeur de mon expérience était faible. J'ai un peu peur)
Comme je n'ai jamais acheté de matériel autre que Mac, j'ai consulté Slack "CDLE" et j'ai décidé d'acheter un PC de jeu BTO avec des spécifications proches des spécifications recommandées sur le Net shop (le PC de jeu a toujours un GPU). D'après le conseil que la performance des coûts totaux est bonne)
article | Résultat de la consultation | réalité |
---|---|---|
CPU | Core i7 ou i5 Gen10 ou supérieur | i5 Gen9 |
memory | Autant que possible | 16GB |
GPU | GeForce GTX1600 SUPER | GeForce GTX1600 SUPER |
SSD (Pour OS) | 250 Go x 2(Ubuntu et Win Dual Boot) | 480 Go x 1(Ubuntu uniquement) |
HDD (Pour les données) | - | 2TB |
La différence entre la recommandation et la réalité est le résultat d'un compromis entre «différences dans le modèle de base de chaque magasin» et «budget». En fin de compte, c'était environ 13 Sakichi.
** [Enseignement des membres du CDLE] ** ** ・ Le PC pour Deep Leaning dit "L'accent est mis sur le GPU et la taille de la mémoire sur le GPU", mais en fonctionnement réel, le processeur et la mémoire de prétraitement deviennent souvent des goulots d'étranglement, donc une configuration bien équilibrée est possible. souhaitable**
** ・ BTOPC peut changer le processeur / la mémoire / le GPU dans une certaine mesure plus tard, il est donc préférable d'acheter d'abord en fonction de votre budget et d'essayer de faire une erreur pour voir si cela répond à vos besoins et de modifier la configuration. ** **
** [Difficulté] ** Un mois après l'achat, le phénomène selon lequel «cela ne démarre pas avec une probabilité de 80% à moins que la mémoire ne soit retirée de la carte mère une fois» se produit. Lorsque j'ai consulté la boutique en ligne que j'ai achetée,
, 2 choix. Heureusement, il y avait un vrai magasin dans le quartier, alors je l'ai apporté et j'ai été hospitalisé pendant 4 jours, puis renvoyé par échange de mémoire. En outre, je vais également vous apprendre à isoler l'état de démarrage par la couleur de la LED de "ASUS Mother Board" J'étais assez impatient, donc c'était vraiment utile d'avoir un vrai magasin à proximité. Je l'achèterai dans ce magasin la prochaine fois
【Leçon】 ** ・ Le bon marché et les spécifications sont importants pour les PC BTO, mais les débutants doivent choisir un acheteur en tenant compte du dépannage **
―― Comme l'espace de travail est petit, nous avons tout construit sans fil.
--Newiy Start Ver4.0 Adaptateur: 1 → 2
--Apple: Magic TrackPad (1ère génération) → LogiCool: M337
――Je veux faire correspondre le système d'entrée au MacBook, alors procurez-vous le Magic TrackPad (première génération) avec Yahoo!
-** [Difficulté] ** ―― Le multi-touch se sent bien avec un très bon logiciel appelé "fusuma", mais le mouvement du curseur lui-même est désagréable, et j'ai répété divers "google + setting + restart" pendant deux jours complets, mais cela ne va pas bien. Au contraire, le stress ne fait qu'augmenter. J'ai abandonné et l'ai acheté pour la "Blurtooth Mouse" bon marché de Logicool.
Clavier sans fil Apple (États-Unis) → indécis
Le clavier sans fil Apple (US) a fière allure aux côtés d'Apple: Magic TrackPad (première génération), alors procurez-vous-le sur Yahoo! La clé est la clé américaine familière (les anciens Mac n'avaient pas la clé JIS elle-même, vous ne pouvez donc toujours utiliser que la clé américaine)
-** [Difficulté] ** ――Cela fonctionne relativement bien, mais parfois (en veille / lorsque je change les paramètres du système d'exploitation et redémarre), la connexion est perdue. S'il est épuisé, vous devez connecter un clavier filaire, configurer la connexion Bluetooth et la redémarrer avant de pouvoir l'utiliser. J'ai beaucoup d'ennuis, alors [Souhaitez-vous en acheter un nouveau? ] Est envisagé (bien que la touche soit bonne) En passant, j'ai changé mon ordinateur portable d'entreprise en une clé américaine en conséquence.
【Leçon】 ** ・ Il n'est pas facile d'obtenir le même Touch & Feel que les produits Apple simplement en connectant les produits Apple à Linux ** ** - Un clavier et une souris filaires d'urgence sont requis. Préparez-vous à portée de main **
<Référence> Que faire après l'installation d'Ubuntu 20.04
--Ubuntu télécharge le fichier image 20.04 du site Web officiel d'Ubuntu Japon HereIl y a beaucoup de pages détaillées ici, je vais donc leur les remettre. Veuillez essayer de le trouver en fonction de votre environnement d'installation. «J'avais un« lecteur DVD »sur le PC que j'ai acheté, j'ai donc gravé le fichier image sur un DVD en direct. --Brûlez le fichier image ubuntu sur DVD et vous avez terminé
--Insérez le support d'installation, changez le disque de démarrage sur "chaque support d'installation" selon le BIOS de la carte mère, et démarrez pour démarrer l'installation.
【point important】
--Si vous ajoutez un GPU NVIDIA, les étapes suivantes sont requises (je suis resté bloqué)
<Référence> Ubuntu 20.04 Partie 25 - Problèmes connus avec Ubuntu 20.04 LTS
--Confirmation de l'installation du pilote de nvidia
$ nvidia-smi -l```, le pilote nvidia fonctionne.python
$ nvidia-smi -l
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 440.100 Driver Version: 440.100 CUDA Version: 10.2 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 166... Off | 00000000:01:00.0 On | N/A |
| 42% 37C P8 8W / 125W | 249MiB / 5936MiB | 3% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 1127 G /usr/lib/xorg/Xorg 35MiB |
| 0 2006 G /usr/lib/xorg/Xorg 94MiB |
| 0 2202 G /usr/bin/gnome-shell 97MiB |
| 0 6565 G /usr/lib/firefox/firefox 2MiB |
| 0 7875 G /usr/lib/firefox/firefox 2MiB |
| 0 10070 G /usr/lib/firefox/firefox 2MiB |
+-----------------------------------------------------------------------------+
<Référence> Comment monter un disque dur de 2 To ou plus sur CentOS
--Trouver le disque dur
python
$ sudo parted -l
――Parce qu'il dépasse 2 To, attachez une étiquette de disque avec "GPT"
python
$ sudo parted /dev/sdb
(parted) mklabel gpt
(parted) p
--Toute la capacité est ext4, 1 partition
python
(parted) mkpart primary ext4 0% 100%
(parted) p
--Depuis la création de la partition, terminez parted.
python
(parted) quit
--Format avec "ext4"
python
$ sudo mkfs.ext4 /dev/sdb1
--Créez un point de montage et montez le disque dur (Le point de montage était juste un répertoire / je n'étais pas sûr que cet emplacement était bon, alors j'ai fait chmod777.)
python
$ sudo mkdir /home/Hdd_2nd
$ sudo mount -t ext4 /dev/sdb1 /home/Hdd_2nd
$ sudo mount
python
$ sudo nano /etc/fstab
--Ajout de la ligne suivante au fichier ouvert ([tab], pas d'espace entre les caractères. J'étais accro ici)
python
/dev/sdb1 /home/Hdd_2nd ext4 defaults 0 0
python
$ sudo dpkg-reconfigure keyboard-configuration
python
$ sudo nano /usr/share/ibus/component/mozc.xml
<layout>us</layout>
――Lors de l'accès depuis le terminal, il est gênant s'il est japonais, alors revenez en anglais
python
$ LANG=C xdg-user-dirs-gtk-update
--Si cela ne fonctionne pas, éditez
$ sudo nano ~ / .config / user-dirs.dirs '' comme suit
python
$ sudo nano ~/.config/user-dirs.dirs
________________________
XDG_DESKTOP_DIR="$HOME/Desktop"
XDG_DOWNLOAD_DIR="$HOME/Downloads"
XDG_TEMPLATES_DIR="$HOME/Templates"
XDG_PUBLICSHARE_DIR="$HOME/Share"
XDG_DOCUMENTS_DIR="$HOME/Documents"
XDG_MUSIC_DIR="$HOME/Music"
XDG_PICTURES_DIR="$HOME/Pictures"
XDG_VIDEOS_DIR="$HOME/Videos"
________________________
python
$ mv $HOME/bureau$HOME/Desktop
$ mv $HOME/Télécharger$HOME/Downloads
$ mv $HOME/modèle$HOME/Templates
$ mv $HOME/Libération$HOME/Share
$ mv $HOME/document$HOME/Documents
$ mv $HOME/musiques$HOME/Music
$ mv $HOME/image$HOME/Pictures
$ mv $HOME/vidéo$HOME/Videos
--C'est OK pour vous reconnecter (parfois l'affichage de la barre latérale est mixte anglais / japonais, mais j'ai abandonné)
--Installez Gnome Tweaks --Installer à partir du logiciel Ubuntu / [Tweaks] est le nom du programme
python
$ xmodmap -pke > ~/.Xmodmap_default
--Trouvez le numéro de clé de "Super clé gauche" --Lorsque vous tapez la commande suivante, une fenêtre carrée s'ouvre, donc si vous "entrez" pendant que vous pouvez la voir, le numéro de clé sera affiché (dans mon cas, c'était "133").
python
$ xev | grep keycode
Le diaporama photo s'affiche lorsque vous appuyez sur la "touche Retour". Modifier la méthode de configuration de base de la liaison de clé de Xmodmap
--Ajoutez ce qui suit au fichier ouvert
python
$ nano ~/.Xmodmap
________________________
clear control
clear mod4
! Command_L -> Control_L
keycode 133 = Control_L
add control = Control_L Control_R
add mod4 = Super_L Super_R Super_L Hyper_L
_________________________
--Réflexion des paramètres
python
$ xmodmap ~/.Xmodmap
python
$ xmodmap ~/.Xmodmap_default
-Veuillez [Redémarrer]
** La touche Ctrl sur la moitié gauche du clavier a un superbe arrangement de touches de "3 (Super (alt) gauche / Verr Maj / Touche ctrl d'origine)" ** ** Vous pouvez désormais copier avec la "touche Super gauche (alt)" + "c" **
--mozc settings: installation de l'outil GUI --Par défaut, l'outil GUI "mozc" n'est pas installé, donc installez-le.
python
$ sudo apt install mozc-utils-gui
--Paramètres Language Région et langue > Source d'entrée > Icône Mozc Gear > Sélectionnez Paramètres clés > Sélectionnez Kotori
** Avec cela seul, la "touche Option (Démarrer)" + "s / a / c / x / z" vous donnera un sentiment familier de "katakana demi-largeur / anglais demi-largeur / hiragana / katakana pleine largeur / anglais pleine largeur". Mozc, Elai **
Touche de raccourci de changement de source d'entrée (compatible avec le clavier américain) --Paramètres > Raccourcis clavier > Réglez à la fois «Passer à la source d'entrée précédente» et «Passer à la source d'entrée suivante» sur [Désactiver] dans la fenêtre de saisie.
Fenêtre des propriétés de Mozc > Sélectionner le réglage de la touche > Modifier screen Écran de réglage de la touche Mozc > Touche de saisie "Hankaku / Zenkaku" (4 places) > Passer à [Ctrl + Espace]
** Vous pouvez désormais basculer entre l'anglais et le japonais avec "Touche Super gauche (alt)" + "Touche Espace" **
<Référence> Que faire après l'installation d'Ubuntu 20.04
--Ubunta Software > Installé > "Supprimer" les logiciels inutiles
python
$ sudo apt install copyq
python
$ sudo apt install dump
python
$ sudo dump -0 -u -j /dev/sda2 -f /home/hdd_2nd/Sys_Backup/backup_2020_08_08.dump
Téléchargez et enregistrez .deb 64 bits (pour Debian / Ubuntu) à partir du Site officiel
python
$ cd Downloads
$ sudo apt install -y ./google-chrome-stable_current_amd64.deb
<Référence> Comment installer Google Chrome sur Ubuntu
<Référence> Traduction DeepL sous Linux
<Référence> Conversion Kana-Anglais / Japonais-Anglais avec Mozc (Google IME)
--Installez "ClamTk" avec "Ubuntu Software"
――Il semble qu'il existe différentes méthodes, mais les services suivants qui s'échangent via un navigateur ne nécessitant pas de modification du système sont sûrs. - OneDrive - GoogleDrive
--Confirmez que la variable d'environnement LANG du shell est "ja_JP.UTF-8"
python
$ echo $LANG
python
$ export LANG=ja_JP.utf8
--Confirmez le contenu modifié
python
$ echo $LANG
--Installez le manuel japonais
python
$ sudo apt-get install manpages-ja
«J'ai mis dans un shell qui a la réputation d'être facile à utiliser.
python
$ sudo apt-add-repository ppa:fish-shell/release-3
$ sudo apt-get update
$ sudo apt-get install -y fish
$ sudo apt install curl /Non requis si curl est déjà installé
$ curl https://git.io/fisher --create-dirs -sLo ~/.config/fish/functions/fisher.fish
$ fisher add oh-my-fish/theme-bobthefish
** <Enseignement des ancêtres> ** ** - Ne changez pas le shell de connexion de bash **
――Vous pouvez ouvrir plusieurs shells avec ROS, alors mettez-les dedans.
python
$ sudo apt install terminator
--Démarrez et faites un clic droit dans le terminal pour "Définir": Ce qui suit est votre choix
―― Police indispensable pour faire un terminal sympa (il semble que c'est facile à voir)
python
$ git clone https://github.com/powerline/fonts.git --depth=1
$ cd fonts
$ ./install.sh
$ cd ..
$ rm -rf fonts
――Il est essentiel pour le développement (en particulier ROS), mais mettons-le en cas de besoin
python
$ sudo apt install git
--Définissez les paramètres minimum.
python
$ git config --global user.name "Nom d'utilisateur"
$ git config --global user.adresse e-mail
$ git config --global core.editor nvim
python
$ sudo apt install xclip "Non requis si installé"
$ bash
$ ssh-keygen -t rsa -b 4096 -C "adresse mail"
~ Si vous n'utilisez pas la phrase secrète, saisissez plusieurs fois ~
$ eval "$(ssh-agent -s)"
$ ssh-add ~/.ssh/id_rsa
$ cat ~/.ssh/id_rsa.pub | xclip -selection c "Copier dans le clip"
~ Enregistrez la clé SSH à partir de la page Paramètres de github ~
Collez la clé publique copiée dans le presse-papiers avec la commande xclip
--Défacto standard (?) De l'éditeur de programme sur Ubuntu
-Téléchargez et installez la version Linux à partir de la page de téléchargement
--Facile à utiliser --Cliquez sur Extension sur le côté gauche de l'écran pour ouvrir MARKET PLACE --Installer le développement à distance: pour Docker --Installer Docker: pour Docker --Japonais
--Sauvegarder
python
$ sudo dump -0 -u -j /dev/sda2 -f /home/inata/hdd_2nd/Sys_Backup/backup_2020_08_08.dump
(Pour la source de sauvegarde, entrez jusqu'au nombre à la fin (2 de / dev / sda2))
<Référence> Comment créer un environnement d'apprentissage GPU d'apprentissage en profondeur avec Docker
--Il semble que la commande nvidia-smi ne fonctionne pas bien sur Docker, alors assurez-vous de l'exécuter.
--Il doit être arrêté lors de la configuration du GPU au moment de l'installation, alors vérifiez-le.
python
$ lsmod | grep -i nouveau
--OK si rien n'est affiché
--Logiciel et mises à jour> Sélectionnez le pilote (propriétaire, vérifié) parmi les pilotes supplémentaires et [Redémarrer]. ** [Difficulté] ** Si vous sélectionnez et installez le pilote (propriétaire, vérifié) dans "Pilotes supplémentaires",
python
$ nvidia-smi
$ Failed to initialize NVML: Driver/library version mismatch
(À l'origine, il est correct d'afficher l'état du GPU 7,5.)
La situation ne change pas même si vous entrez des commandes ou installez
python
$ sudo ubuntu-drivers autoinstall
-Le pilote (propriétaire, non vérifié) donnera le bon résultat de la commande `` $ nvidia-smi '' (probablement), alors laissez-le pendant un moment
――Il y a un pilote plus récent sur la page d'accueil de NVIDIA, mais il semble qu'il y ait de nombreux cas où vous serez accro par vous-même, donc pour le moment, le pilote "Recommandé pour le deuxième" d'Ubuntu est [bon].
python
$ sudo apt install nvidia-cuda-toolkit
―― La procédure pour la version officielle est compliquée, et j'ai également foiré une fois, donc dans [Karaage-san], Comment créer un environnement d'apprentissage GPU d'apprentissage en profondeur avec Docker J'utiliserai le script décrit (M. Karaage, merci)
python
$ sudo apt install -y curl (non requis si installé)
$ curl -s https://raw.githubusercontent.com/karaage0703/ubuntu-setup/master/install-docker.sh | /bin/bash
-Veuillez [Redémarrer] --Confirmation de l'installation de Docker
python
$ sudo docker run hello-world
OK s'il n'y a pas d'erreur
--Nettoyer
python
$ docker container prune
$ docker image rm hello-world:latest
python
$ curl -s https://raw.githubusercontent.com/karaage0703/ubuntu-setup/master/install-nvidia-container-toolkit.sh | /bin/bash
python
$ docker run --gpus all --rm nvidia/cuda nvidia-smi
――J'obtiens une erreur pour une raison quelconque, mais l'ignore (Karaage-san l'a également ignorée (rires))
--Exécuter l'image Docker officielle de TensorFlow
python
$ docker run --gpus all -it --rm --name tensorflow-gpu -p 8888:8888 tensorflow/tensorflow:latest-gpu-py3
(-p 8888:8888 est pour le port notebook jupyter)
$ nvidia-smi```, le GPU fonctionne sur Docker.python
# nvidia-smi
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 440.100 Driver Version: 440.100 CUDA Version: 10.2 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:1Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 GeForce GTX 166... Off | 00000000:01:00.0 On | N/A |
| 42% 36C P8 8W / 125W | 342MiB / 5936MiB | 2% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
+-----------------------------------------------------------------------------+
【Remarque】
** - Les détails du processus ne sont pas affichés même si la commande
$ nvidia-smi``` est exécutée sur Docker. Cela semble être une spécification. ** **
** ・ Si vous posez une question sur StackOverflow, [Vous ne pourrez pas voir, car le pilote ne connaît pas l'espace de noms PID. (Traduction DeepL: vous ne pouvez pas voir car le pilote ne reconnaît pas l'espace de noms PID.)] A été répondu **
python
# jupyter notebook
--jupyter notebook démarre et l'adresse s'affiche sur le terminal
python
http://127.0.0.1:8888/?token=xxxxxxxxxxxxxx`
python
from tensorflow.python.client import device_lib
device_lib.list_local_devices()
python
# exit
python
$ docker container prune
$ docker image rm tensorflow/tensorflow:latest-gpu-py3
Il est plus facile de connaître le mécanisme et les commandes de Docker plus tard, alors étudions un peu ici.
――Parce que c'est une bonne idée, enregistrez également le compte Dockerhub.
--Utilisez l'image NGC TensorFlow fournie par NVIDA. Je ne connais pas la différence avec l'image officielle de TensorFlow Docker (je ne l'ai pas vérifiée), mais je suis venu ici pour utiliser le GPU de NVIDIA, donc c'est [Si vous mangez du poison, c'est une assiette].
--Je ne sais pas si CuDNN est également nécessaire, mais j'ai besoin d'une version pour déterminer l'image de NGC, donc je vais l'inclure.
--Comment vérifier la version de CUDA
python
$ nvcc -V
--Accédez à la page d'accueil de NVIDIA cuDNN
Enregistrez-vous en tant qu'utilisateur et téléchargez le fichier deb correspondant à la version CUDA installée.
--Exécution et bibliothèque de développement téléchargées
- cuDNN Runtime Library for Ubuntu18.04 (Deb)
- cuDNN Developer Library for Ubuntu18.04 (Deb)
Exécutez l'installation avec la commande dpkg (l'ordre d'installation semble être important)
python
$ sudo dpkg -i libcudnn7_7.6.5.32-1+cuda10.1_amd64.deb
$ sudo dpkg -i libcudnn8-dev_8.0.2.39-1+cuda10.1_amd64.deb
$ sudo dpkg -i libcudnn8-doc_8.0.2.39-1+cuda10.1_amd64.deb
--Comment vérifier la version de CUDA
python
$ nvcc -V
--Comment vérifier la version de CuDNN
python
$ cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2
#define CUDNN_MAJOR 7
#define CUDNN_MINOR 6
#define CUDNN_PATCHLEVEL 5
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)
――Déterminez l'image à PULL à partir de la page d'accueil et des versions de CUDA et CuDNN ci-dessous. - https://ngc.nvidia.com/catalog/containers/nvidia:tensorflow/tags - https://docs.nvidia.com/deeplearning/frameworks/tensorflow-release-notes/ --Dans mon cas, ** CUDA: 10.2.89 / cuDNN: 7.6.5, donc je tire (RUN) "TensorFlow Release 20.03" **
python
$ docker image pull nvcr.io/nvidia/tensorflow:20.03-tf1-py3
python
$ docker run --name tensor_keras --gpus all -it -p 8888:8888 nvcr.io/nvidia/tensorflow:20.03-tf1-py3
python
# pip list
―― Puisqu'il est installé un peu, je vais l'installer au besoin. --Je mets ce qui suit pour le moment
python
# pip install --upgrade pip
# pip install Keras
# pip install pandas
# pip install pandas_datareader
―― À l'origine, il serait plus cool de gérer avec un fichier Docker sans consommer d'espace disque, mais comme il s'agit d'un conteneur installé par PULL, créez une nouvelle image Docker à partir du conteneur modifié.
python
# exit
――C'est OK si "STATUS" est "Quitté"
python
$ docker container ls -a
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
70d0795d84e8 inata/my_tensorflow_img:1.0 "/usr/local/bin/nvid…" 3 weeks ago Exited (0) 4 seconds ago tensor_keras
--Enregistrer le conteneur modifié sous forme de fichier image nommé "my_tensorflow_img: 1.0"
python
$ docker container commit -a "INA-Ta" tensor_keras inata/my_tensorflow_img:1.0
python
$ docker container commit tensor_keras my_tensorflow_img:1.0
python
$ docker run --name tensor_keras --gpus all -it -p 8888:8888 inata/my_tensorflow_img:1.0
--Si vous enregistrez uniquement localement, vous pouvez passer sans la signature "-a" INA-Ta "" ou "nom de compte" 8.6.4. Conduire le conteneur à partir de l'image Docker modifiée-Si vous souhaitez démarrer un nouveau conteneur dans le futur , Vous pouvez démarrer à partir de l'état modifié en partant du fichier image enregistré (point de sauvegarde) - "my_tensorflow_img: 1.0" Lancez le conteneur avec le nom "tensor_kera" 8.7. Le fichier image modifié Enregistrer sur Dockerhub - Connectez-vous à DockerHub
python
$ docker login
--Pousser le fichier image nouvellement créé vers Docker Hub
python
$ docker image push inata/my_tensorflow_img:1.0
python
docker logout
python
$ docker image save -o /home/Hdd_2nd/Docker_Image/my_tensorflow_img_1.0.tar inata/my_tensorflow_img:1.0
python
$ docker image load -i /home/Hdd_2nd/Docker_Image/my_tensorflow_img_1.0.tar
** [Mise à jour supplémentaire en cours] m (_ _) m **
** [Mise à jour supplémentaire en cours] m (_ _) m **
** [Mise à jour supplémentaire en cours] m (_ _) m **