辽宁鞍山玉佛苑,百度关键词优化送网站,下载黑龙江建设网官网网站,wordpress v2exWin Docker Desktop WSL2 部署PyTorch-CUDA服务至k8s算力集群 Win Docker Desktop WSL2 安装安装WSL-Ubuntu拉取镜像并测试挂载数据并开放端口导出镜像或导入镜像在k8s集群部署 Win Docker Desktop WSL2 安装
首先根据你的操作系统版本 安装WSL #xff0c;记得切换WSL2 WSL2 部署PyTorch-CUDA服务至k8s算力集群 Win Docker Desktop WSL2 安装安装WSL-Ubuntu拉取镜像并测试挂载数据并开放端口导出镜像或导入镜像在k8s集群部署 Win Docker Desktop WSL2 安装
首先根据你的操作系统版本 安装WSL 记得切换WSL2其次 安装Docker Desktop如果Docker安装后一直无法加载WSL卸载后重新安装时不要勾选WSL安装后去设置里面勾上WSL即可。
安装WSL-Ubuntu
wsl -l -v
wsl --install Ubuntu-18.04Windows中运行以上代码WSL中安装Ubuntu是为了方便在docker容器中挂载数据。
拉取镜像并测试
docker pull cnstark/pytorch:2.0.0-py3.9.12-cuda11.8.0-ubuntu20.04
docker run -it --rm --gpus all cnstark/pytorch:2.0.0-py3.9.12-cuda11.8.0-ubuntu20.04
nvcc -V
nvidia-smi
pythonimport torchtorch.cuda.is_available()去WSL-Ubuntu系统中运行以上命令拉取镜像并激活容器。这时候由于--gpus all命令容器内使用的是宿主机上的英伟达驱动也就是说你的Windows里得有CUDA和CUDNN。注意在k8s算力集群中并无法简单挂载宿主机的显卡驱动。部署过程中宿主机中CUDA版本和容器内CUDA版本不一致也能正常部署但是不排除有兼容性问题。
挂载数据并开放端口
docker run -it --gpus all -p 0.0.0.0:你的程序端口:你的目标端口 --shm-size4g -v /etc/localtime:/etc/localtime -v /mnt/c/你的电脑上的数据路径:/workspace cnstark/pytorch:2.0.0-py3.9.12-cuda11.8.0-ubuntu20.04
# 以下代码在容器内运行
cp -r /workspace/你的数据文件夹/code/ /workspace/code/
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install flask pandas numpy scipy easy-torch easydict einops scikit-learn torchdiffeq fastdtw packaging setproctitle torchinfo torch-summary去WSL-Ubuntu系统中运行以上命令注意如果是Flask建议app.run(port你的程序端口, debugFalse, host0.0.0.0, threadedTrue)运行。
导出镜像或导入镜像
docker info
docker images
docker ps -a
docker export 你的镜像ID /mnt/c/路径/image.tar
docker import /mnt/c/路径/image.tar straka/ts_server_231102:v0.1
docker save -o /mnt/c/路径/image.tar straka/ts_server_231102:v0.1
docker load --input /mnt/c/路径/image.tar去WSL-Ubuntu系统中运行以上命令。
在k8s集群部署
环境变量NVIDIA_DRIVER_CAPABILITIEScompute,utility端口转发按需配置默认运行/bin/bash自动运行bash -c cd /workspace/code python server.py。由于英伟达驱动挂载问题需要重新软链接驱动libcuda.so和libnvidia-ml.so后才能识别到显卡。在容器内运行
ldconfig # 查看软链接错误的so库
find -name libcuda* # 查看软链接错误的so库所在之处
ls /usr/lib/x86_64-linux-gnu # 一般在这个路径
cd /usr/lib/x86_64-linux-gnu
rm libcuda.so
rm libcuda.so.1
ln -s libcuda.so.525.105.17 libcuda.so
# 注意525.105.17与宿主机具体安装的驱动版本有关不同机器需要自行ls /usr/lib/x86_64-linux-gnu后找到size libcuda.so.xxx 大于0的文件
find -name libnvidia-ml*
rm libnvidia-ml.so.1
ln -s libnvidia-ml.so.525.105.17 libnvidia-ml.so.1
ldconfig # 再次检查是否有遗漏nvcc -V
nvidia-smi
pythonimport torchtorch.cuda.is_available()
