構築した環境の概要
使用ソフトウェアとバージョン
まず、環境構築に使用したソフトウェアとそのバージョンを示します。
- Windows11
- WSL2
- NVIDIA Driver - v510.06
- Docker Desktop for Windows - v4.3.2
構築した環境の概要図
今回構築した環境は、こちらを参考にしています。
概要図がわかりやすかったので以下に記載します。
参考: https://www.idnet.co.jp/column/page_158.html
Windows上で、Docker DesktopのバックエンドをWSL2で動作させ、その上にDockerコンテナを作成します。
図ではWindows10となっていますが、私の環境はWindows11です
環境構築手順
1.NVIDIA Driverのインストール
WSL2からGPUを利用するためには、WindowsにNVIDIA Driverをインストールする必要があります。
こちらからGEFORCE DRIVERを選択し、ドライバーをインストールします。
(現時点では、v510.06がインストールされました。)
2. WSL2の有効化
コントロールパネル->プログラム->Windowsの機能の有効化または無効化から、Linux用Windowsサブシステムにチェックを入れ、再起動します。
(私の環境では、.NET Framework 4.8 Advanced Servicesの中のASP .NET 4.8にもチェックを入れないとWSLが有効化できなかったです。)
WSLにUbuntu20.04をインストールします。
wsl --install -d Ubuntu-20.04
3. Docker Desktop for Windowsのインストール
こちらから、Docker Desktopの最新版(v4.3.2)をインストールします。
その際、Install required Windows components for WSL 2のオプションにチェックを入れ、インストールを進めます。
このオプションにより、上記の概要図の構成になります。
GPUが認識されているかチェック
nvidiaが公開しているDockerイメージを使って、GPUが認識されているか確認します。
docker run --rm -it --gpus all nvcr.io/nvidia/k8s/cuda-sample:nbody nbody -gpu -benchmark -numbodies=512000
GPUが認識されていると以下のような出力となります。
GPUの名前はお使いのものによって異なります。
参考: https://www.idnet.co.jp/column/page_158.html
認識されていれば環境構築は終了です。
Python&Tensorflowの環境構築
今回は、TensorflowのCNNを使用して画像分類を行うためにGPU機械学習環境を構築しました。
そこで、Python&Tensorflowの環境構築についても触れておきます。
注意事項
以下の手順では、docker-composeを使用します。
docker-composeはV1とV2が存在しており、V2だとうまく動作しないです。
そのため、Docker Desktopの設定からUse Docker Compose V2のチェックを外しておきます。
または、以下のコマンドでV2を無効化します。
docker-compose disable-v2
1. ベースコンテナの作成
まず、以下のようなdocker-composeファイルを作成し、ベースとなるDockerコンテナを動作させます。
version: '3.9'
services:
cuda:
image: nvidia/cuda:11.3.0-devel-ubuntu20.04
environment:
- CUDNN_VERSION=8.2.0.53
# リソースを拡張したい場合の指定（任意）
shm_size: 4gb
ulimits:
memlock: -1
stack: 67108864
# GPUを有効にする（docker-compose 1.28.0以上で対応）
deploy:
resources:
reservations:
devices:
- capabilities: [gpu]
# 永続起動on
tty: true
# ローカルPCのフォルダをコンテナ上にマウントする
volumes:
- C:\Users\hoge\hoge:/home/
docker-compose.ymlと同じディレクトリ上で以下のコマンドを実行し、
コンテナを作成します。
docker-compose up
2. コンテナ内の環境を構築
手順1で作成したコンテナに入り、必要なパッケージをインストールしていきます。
docker exec -it [コンテナID] /bin/bash
apt-get update && apt-get install -y --no-install-recommends \
libcudnn8=$CUDNN_VERSION-1+cuda11.3 \
libcudnn8-dev=$CUDNN_VERSION-1+cuda11.3 \
&& apt-mark hold libcudnn8 && \
rm -rf /var/lib/apt/lists/*
apt update
apt install -y python3-pip && pip install --upgrade pip
pip install tensorflow
apt install -y libgl1-mesa-dev
3. コンテナの状態を保存
手順2では、コンテナに入り、コンテナ上に必要なパッケージをインストールしました。
しかし、Dockerコンテナは状態の保存がされないため、一度コンテナが停止するとインストールしたものが消えます。
そこで、コンテナの状態を保存(イメージとして書出)します。
docker commit [コンテナID] [保存イメージ名]
4. docker-compose.ymlの修正
このコマンドによって生成したイメージを使ってコンテナが起動されるようにdocker-compose.ymlを修正します。
version: '3.9'
services:
cuda:
# image: nvidia/cuda:11.3.0-devel-ubuntu20.04
image: [保存イメージ名]
environment:
- CUDNN_VERSION=8.2.0.53
# リソースを拡張したい場合の指定（任意）
shm_size: 4gb
ulimits:
memlock: -1
stack: 67108864
# GPUを有効にする（docker-compose 1.28.0以上で対応）
deploy:
resources:
reservations:
devices:
- capabilities: [gpu]
# 永続起動on
tty: true
# ローカルPCのフォルダをコンテナ上にマウントする
volumes:
- C:\Users\hoge\hoge:/home/
docker-compose.ymlを修正後、docker-compose upを実行することで、手順2でインストールしたものがそのままの状態でコンテナが起動されます。