Tag: nvidia

使用Docker编译源码的Tensorflow以加快CPU速度

我正在寻找一种方法来设置或修改一个现有的Docker镜像来安装tensorflow，它将安装它，以便SSE4，AVX，AVX2和FMA指令可以用于CPU加速。 到目前为止，我已经find了如何使用bazel从源代码安装如何编译Tensorflow …和CPU指令未编译…。 这些都不解释如何在Docker中做到这一点。 所以我想我正在寻找什么，你需要添加到一个现有的泊坞窗图像，没有这些选项安装，以便您可以得到一个启用CPU选项tensorflow的编译版本。 现有的docker图像不这样做，因为他们希望图像在尽可能多的机器上运行。 我在Linux PC上使用Ubuntu 14.04。 我是新来的docker工人，但已经安装了tensorflow，并没有得到我使用泊坞窗图像时得到的CPU警告。 我可能不需要这个速度，但是我已经看到那些声称加速可能很重要的post。 我search现有的docker图像这样做，找不到任何东西。 我需要这个与GPU工作，所以需要与NVIDIA的docker兼容。 我刚刚发现这个docker支持bazel ，它可能会提供一个答案，但我不明白，以及足够的知道。 我相信这就是说你不能在Dockerfile中使用bazel来构buildtensorflow。 你必须用bazelbuild立一个Dockerfile。 我的理解是正确的，这是唯一的方式来获得源码编译码stream图像与张量stream？ 如果是这样的话，我仍然可以使用帮助来做到这一点，如果使用现有的docker图像进行tensorflow，仍然可以获得其他的依赖关系。

在成功安装GPU Caffe后，将Caffe作为CPU运行

我有一个用cudnn支持编译的Caffe的Docker镜像。 CUDA和所有其他依赖项在映像中正确安装，使用nvidia-docker从主机提供驱动程序时，它可以正常工作。 我想在不使用nvidia-docker 情况下运行相同的映像，只需将Caffe设置为CPU模式即可。 但是，当我这样做，我仍然看到错误，正确的Nvidia驱动程序无法find。 就像用cudnn支持来构buildCaffe导致Caffe 需要 GPU驱动程序一样。 这对于我的用例来说是有问题的：提供一个单独的Docker镜像，它可以交替使用，既可以是基于CPU的镜像，也可以是基于GPU的镜像。 我如何在启用cudnn / GPU支持的情况下安装Caffe，但是仍然运行它，而不依赖于任何CUDA / GPU依赖关系？ 注意：这不是在Caffe构build时使用CPU_ONLY标志禁止GPU支持的问题。 相反，它需要将Caffe构build成能够使用GPU，然后以一种不需要任何驱动程序，CUDA库等的方式，在仅CPU 运行模式下运行它 。 我在运行时看到的错误types如下： I0523 21:09:42.175459 14 layer_factory.hpp:77] Creating layer conv1 I0523 21:09:42.175561 14 net.cpp:84] Creating Layer conv1 I0523 21:09:42.175606 14 net.cpp:406] conv1 <- data I0523 21:09:42.175660 14 net.cpp:380] conv1 -> conv1 F0523 21:09:42.177079 14 cudnn_conv_layer.cpp:52] Check failed: error == […]

通过docker图像nvcr.io/nvidia/torch训练例程慢了41％

我通过NVidia docker image nvcr.io/nvidia/torch训练DNN。 除了在我的机器上执行的训练时间要慢得多（+ 41％）之外，一切正常。 一个批处理执行需要大约410ms，而不是裸机上的290ms。 我的nvidia-docker运行命令： nvidia-docker run -it –network=host –ipc=host -v /mnt/data1:/mnt/data1 my-custom-image bash 我的自定义图像基于nvcr.io/nvidia/torch。 我只添加我的培训脚本（.lua）并安装luajit。 所有结果都写在/ mnt / data1中，而不是在容器内。 这是正常的还是我做错了什么？ 我怎样才能调查浪费的时间来自哪里？ 更新：我加倍检查，在培训期间没有任何东西写在容器内。 所有数据都写在/ mnt / data1上。 Update2：我尝试了容器内的推理例程，它不需要比裸机安装更多的时间。

libGL错误：未能在docker容器中加载驱动程序swrast

我有一个docker容器，我试图运行一个pyqt应用程序。 一切运作良好，除了一大块的graphics用户界面无法呈现。 docker日志扔出来了： libGL error: failed to load driver: swrast X Error: GLXBadContext 169 Extension: 154 (Uknown extension) Minor opcode: 6 (Unknown request) Resource id: 0x6400003 X Error: BadValue (integer parameter out of range for operation) 2 Extension: 154 (Uknown extension) Minor opcode: 3 (Unknown request) Resource id: 0x0 … QGLContext::makeCurrent(): Failed. 在我的Dockerfile中，我尝试安装几乎所有可能与之相关的软件包，包括mesa-utils 。 在docker-compose文件方面，看起来像这样： […]

如何检查nvidia-docker版本？

我已经尝试过nvidia-docker –version ，但似乎只是显示了docker的版本。 经过对官方文件的调查，我找不到任何有关这方面的信息。 如何检查nvidia-docker的版本？

nvidia-docker中的TensorFlow：调用cuInit失败：CUDA_ERROR_UNKNOWN

我一直在努力获得一个依赖于TensorFlow的应用程序来作为一个docker容器与nvidia-docker 。 我已经在tensorflow/tensorflow:latest-gpu-py3之上编译了我的应用程序tensorflow/tensorflow:latest-gpu-py3 image。 我用以下命令运行我的docker容器： sudo nvidia-docker run -d -p 9090:9090 -v /src/weights:/weights myname/myrepo:mylabel 当通过portainer查看日志时，我看到以下内容： 2017-05-16 03:41:47.715682: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations. 2017-05-16 03:41:47.715896: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but […]

用多个用户pipe理多个GPU

我有一个服务器（Ubuntu 16.04）与4个GPU。 我的团队分享这个，我们目前的方法是容纳我们所有与Docker的工作，并使用$ NV_GPU=0 nvidia-docker run -ti nvidia/cuda nvidia-smi来限制容器到GPU。 当我们非常清楚谁在使用哪个GPU时，这个效果很好，但是我们的团队已经发展壮大了，我想要一个更强大的监控GPU使用的方法，并禁止在GPU使用时访问GPU。 nvidia-smi是“GPU-Util”的一个信息通道，但是有时GPU在某个时刻可能有0％的GPU-Util，而当前它是由在容器中工作的人保留的。 你有什么build议： 当用户运行$ NV_GPU='gpu_id' nvidia-docker run时跟踪 当另一个用户运行$ NV_GPU='same_gpu_id' nvidia-docker run时发生错误 保持一个更新的日志，这是沿着{'gpu0'：'user_name或free'，。 。 。'gpu3'：'user_name or free'}，其中每个gpu标识使用该gpu运行活动docker容器的用户，或者说它是'free'。 实际上，说明用户和连接到GPU的容器将是可取的。 当用户closures正在使用gpu的容器时更新日志 我可能也在想这个错误的方式，所以对其他想法敞开心扉。 谢谢！

docker集装箱中为什么会有太多的gpus？

我的主机上有4个GPU [root@c3-sa-i2-20151229-buf023 ~]# nvidia-smi Wed Jul 12 14:27:40 2017 +—————————————————————————–+ | NVIDIA-SMI 375.26 Driver Version: 375.26 | |——————————-+———————-+———————-+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 Tesla K40m Off | 0000:02:00.0 Off | 0 | | N/A 23C […]

与Docker容器共享现有的主机目录？

Docker允许使用-v选项在其他容器之间共享一个目录。 但它会遮挡主机上的任何现有目录。 如何使主机目录对docker实例可见？ 例如，这会在/opt创build一个安装点： nvidia-docker run -i -t –name x nvidia/cuda:7.5-runtime-ubuntu14.04 -v /opt 但它会遮挡主机/ opt。 这是安全的，通常需要的行为。 但是对于开发和实例设置来说，访问现有的文件结构将是非常有用的。

在Windows 10上访问Docker上的GPU

我注意到nvidia已经支持GPU和Docker，但是我相信这只是针对linux。 有没有人得到它在Windows 10上工作？ 特别是，我希望能够访问机器学习应用程序。 https://github.com/NVIDIA/nvidia-docker