es dev stack

pile de développement es

Une solution sur site et nue pour déployer des applications basées sur GPU dans des conteneurs

Article de blog avec les détails du déploiement :

http://www.emergingstack.com/2016/01/10/Nvidia-GPU-plus-CoreOS-plus-Docker-plus-TensorFlow.html

Conditions préalables

• Machine dédiée compatible CoreOS avec Vanilla CoreOS installé
• GPU Nvidia de génération actuelle (testé avec TitanX)

Construire

Image d'installation des pilotes Nvidia

 $ cd es-dev-stack/corenvidiadrivers

 $ docker build -t cuda .

Image TensorFlow compatible GPU

 $ cd es-dev-stack/tflowgpu

 $ docker build -t tflowgpu .

Pour courir

Étape 1 - Installer les pilotes Nvidia et enregistrer les périphériques GPU (une seule fois)

 # docker run -it --privileged cuda

 # ./mkdevs.sh

Étape 2 – Conteneur TensorFlow Docker avec appareils GPU mappés

 $ docker run --device /dev/nvidia0:/dev/nvidia0 --device /dev/nvidia1:/dev/nvidia1 --device /dev/nvidiactl:/dev/nvidiactl --device /dev/nvidia-uvm:/dev/nvidia-uvm -it -p 8888:8888 --privileged tflowgpu

À tester

• Ouvrez votre navigateur Web sur http://{host IP}:8888 et lancez le notebook CNN.ipynb
• Exécutez toutes les étapes pour confirmer
• Pour valider l'utilisation du GPU, regardez les statistiques produites à partir de l'outil Nvidia-SMI ;

 $ docker exec -it {container ID} /bin/bash

Depuis le conteneur en cours d'exécution :

 $ watch nvidia-smi

Crédits :

Cette solution s'inspire de quelques sources communautaires. Grâce à;

Configuration du pilote Nvidia via Docker - Joshua Kolden [email protected]

Carnet de démonstration ConvNet - Edward Banner [email protected]