# **Веселые** контейнеры от NVIDIA

## Введение

https://docs.nvidia.com/deeplearning/frameworks/index.html#nvidia-optimized-frameworks-release-notes

Одним из многих преимуществ использования контейнеров является возможность установить приложение, зависимости и переменные окружения один раз в образ контейнера, а не на каждую систему, на которой вы работаете. Кроме того, основными преимуществами использования контейнеров являются следующие:

- Установите приложение, зависимости и переменные окружения один раз в образ контейнера, а не на каждую систему, на которой вы работаете.
- Нет риска конфликта с библиотеками, которые устанавливаются другими пользователями.
- Контейнеры позволяют использовать на одном и том же сервере несколько различных систем глубокого обучения, которые могут иметь конфликтующие программные зависимости.
- После сборки приложения в контейнер, вы можете запускать его в большом количестве других мест, особенно на серверах, без необходимости установки какого-либо программного обеспечения.
- Старые приложения для ускоренных вычислений могут быть контейнеризированы и развернуты на более новых системах, в помещении или в облаке.
- Конкретные ресурсы GPU могут быть распределены по контейнеру для изоляции и повышения производительности.
- Вы можете легко обмениваться приложениями, сотрудничать и тестировать их в различных средах.
- Несколько примеров данной среды глубокого обучения можно запускать одновременно с каждым GPU, которому назначен один или несколько конкретных GPU.
- Контейнеры могут быть использованы для разрешения конфликтов сетевых портов между приложениями путем привязки контейнерных портов к конкретным видимым портам при запуске контейнера



## Работа с хранилищем образов nvcr.io и запуск подготовленных контейнеров

Запуск контейнера на выполнение:

```shell
nvidia-docker run -it --rm –v local_dir:container_dir nvcr.io/nvidia/caffe2:<xx.xx>
```

Ключи запуска программы:

| Ключ или параметр | Описание ключа или параметра команды запуска контейнера      |
| ----------------- | ------------------------------------------------------------ |
| **nvcr.io**       | имя хранилища (репозитория) контейнеров NVIDIA NGC           |
| **nvidia**        | наименование раздела в хранилище, который содержит запускаемый контейнер |
| **-it**           | Контейнер запускается в интерактивном режиме (можно вводить команды shell) |
| **--rm**          | После того как работа с контейнером заканчивается - он удаляется |
| **-v**            | Монтируем локальный каталог внутрь контейнера                |
| **local_dir**     | Каталог или файл из хост-системы (абсолютный путь), к которому необходимо получить доступ внутри контейнера. |
| **container_dir** | Каталог внутри контейнере, куда будет отображаться каталог внешней (хост-системы) |
| **<xx.xx>**       | Версия контейнера, например 18.01                            |
| **pyX**           | Версия Python, установленная в контейнере, например py3      |

> Пример отображения внешнего каталога в контейнер
>
> если каталог хост-системы **/home/jsmith/data/mnist** мы хотим смонтировать как каталог  **/data/mnist**, внутри контейнера необходимо выполнить команду
>
> ```shell
> -v /home/jsmith/data/mnist:/data/mnist
> ```
>
> если каталога внутри контейнера нет - Docker создаст его

>
>
> **ВНИМАНИЕ !!!** Смонтировать папку в работающий контейнер **НЕЛЬЗЯ !!!**
>
> можно сделать том данных отдельным контейнером, а потом смонтировать его в нужном контейнере хоть через тот же sshfs.



Для получения дополнительной информации, относящейся к вашему конкретному контейнеру, обратитесь к файлу/workspace/README.md внутри контейнера.