如何用Docker Compose来管理GPU资源

本篇内容主要讲解"如何用Docker Compose来管理GPU资源"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"如何用Docker Compose来管理GPU资源"吧!

在面向 AI 开发的大趋势下，容器化可以将环境无缝迁移，将配置环境的成本无限降低。但是，在容器中配置 CUDA 并运行 TensorFlow 一段时间内确实是个比较麻烦的时候，所以我们这里就介绍和使用它。

• Enabling GPU access with Compose

• Runtime options with Memory, CPUs, and GPUs

• The Compose Specification

• The Compose Specification - Deployment support

• The Compose Specification - Build support

在 Compose 中使用 GPU 资源

• 如果我们部署 Docker 服务的的主机上正确安装并设置了其对应配置，且该主机上恰恰也有对应的 GPU 显卡，那么就可以在 Compose 中来定义和设置这些 GPU 显卡了。

# 需要安装的配置$ apt-get install nvidia-container-runtime

• 旧版本 <= 19.03

# runtime$ docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi

• 新版本 >= 19.03

# with --gpus$ docker run -it --rm --gpus all ubuntu nvidia-smi# use device$ docker run -it --rm --gpus \    device=GPU-3a23c669-1f69-c64e-cf85-44e9b07e7a2a \    ubuntu nvidia-smi# specific gpu$ docker run -it --rm --gpus '"device=0,2"' ubuntu nvidia-smi# set nvidia capabilities$ docker run --gpus 'all,capabilities=utility' --rm ubuntu nvidia-smi

• 对应 Compose 工具的老版本(v2.3)配置文件来说的话，想要在部署的服务当中使用 GPU 显卡资源的话，就必须使用 runtime 参数来进行配置才可以。虽然可以作为运行时为容器提供 GPU 的访问和使用，但是在该模式下并不允许对 GPU 设备的特定属性进行控制。

services:  test:    image: nvidia/cuda:10.2-base    command: nvidia-smi    runtime: nvidia    environment:      - NVIDIA_VISIBLE_DEVICES=all

在 Compose v1.28.0+ 的版本中，使用 Compose Specification 的配置文件写法，并提供了一些可以更细粒度的控制 GPU 资源的配置属性可被使用，因此可以在启动的时候来精确表达我们的需求。咳咳咳，那这里我们就一起看看吧！

• capabilities - 必须字段

• 指定需要支持的功能；可以配置多个不同功能；必须配置的字段

• man 7 capabilities

deploy:  resources:    reservations:      devices:        - capabilities: ["gpu"]

• count

• 指定需要使用的GPU数量；值为int类型；与device_ids字段二选一

deploy:  resources:    reservations:      devices:        - capabilities: ["tpu"]          count: 2

• device_ids

• 指定使用GPU设备ID值；与count字段二选一

deploy:  resources:    reservations:      devices:        - capabilities: ["gpu"]          device_ids: ["0", "3"]

deploy:  resources:    reservations:      devices:        - capabilities: ["gpu"]          device_ids: ["GPU-f123d1c9-26bb-df9b-1c23-4a731f61d8c7"]

• driver

• 指定GPU设备驱动类型

deploy:  resources:    reservations:      devices:        - capabilities: ["nvidia-compute"]          driver: nvidia

• options

• 指定驱动程序的特定选项

deploy:  resources:    reservations:      devices:        - capabilities: ["gpu"]          driver: gpuvendor          options:            virtualization: false

咳咳咳，看也看了，说也说了，那我们就简单的编写一个示例文件，让启动的 cuda 容器服务来使用一个 GPU 设备资源，并运行得到如下输出。

services:  test:    image: nvidia/cuda:10.2-base    command: nvidia-smi    deploy:      restart_policy:        condition: on-failure        delay: 5s        max_attempts: 3        window: 120s      resources:        limits:          cpus: "0.50"          memory: 50M        reservations:          cpus: "0.25"          memory: 20M          devices:            - driver: nvidia              count: 1              capabilities: [gpu, utility]      update_config:        parallelism: 2        delay: 10s        order: stop-first

• 注意这里，如果设置 count: 2 的话，就会下面的输出中看到两块显卡设置的信息。如果，我们这里均未设置 count 或 device_ids 字段的话，则默认情况下将主机上所有 GPU 一同使用。

# 前台直接运行$ docker-compose upCreating network "gpu_default" with the default driverCreating gpu_test_1 ... doneAttaching to gpu_test_1test_1  | +-----------------------------------------------------------------------------+test_1  | | NVIDIA-SMI 450.80.02    Driver Version: 450.80.02    CUDA Version: 11.1     |test_1  | |-------------------------------+----------------------+----------------------+test_1  | | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |test_1  | | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |test_1  | |                               |                      |               MIG M. |test_1  | |===============================+======================+======================|test_1  | |     Tesla T4            On   | 00000000:00:1E.0 Off |                     |test_1  | | N/A   23C    P8     9W /  70W |      MiB / 15109MiB |      %      Default |test_1  | |                               |                      |                  N/A |test_1  | +-------------------------------+----------------------+----------------------+test_1  |test_1  | +-----------------------------------------------------------------------------+test_1  | | Processes:                                                                  |test_1  | |  GPU   GI   CI        PID   Type   Process name                  GPU Memory |test_1  | |        ID   ID                                                   Usage      |test_1  | |=============================================================================|test_1  | |  No running processes found                                                 |test_1  | +-----------------------------------------------------------------------------+gpu_test_1 exited with code

• 当然，如果设置了 count 或 device_ids 字段的话，就可以在容器里面的程序中使用多块显卡资源了。可以通过以下部署配置文件来进行验证和使用。

services:  test:    image: tensorflow/tensorflow:latest-gpu    command: python -c "import tensorflow as tf;tf.test.gpu_device_name()"    deploy:      resources:        reservations:          devices:            - driver: nvidia              device_ids: ["0", "3"]              capabilities: [gpu]

• 运行结果，如下所示，我们可以看到两块显卡均可以被使用到。

# 前台直接运行$ docker-compose up...Created TensorFlow device (/device:GPU:0 with 13970 MB memory -> physical GPU (device: 0, name: Tesla T4, pci bus id: 0000:00:1b.0, compute capability: 7.5)...Created TensorFlow device (/device:GPU:1 with 13970 MB memory) -> physical GPU (device: 1, name: Tesla T4, pci bus id: 0000:00:1e.0, compute capability: 7.5)...gpu_test_1 exited with code

到此，相信大家对"如何用Docker Compose来管理GPU资源"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！