Table of Contents
基础环境搭建和使用
需要配置安装的基础环境
1、ubuntu16.04和python3
2、anaconda
ssh进入服务器会默认进入conda的base环境, 可以使用conda deactivate推出环境.
激活demo环境
# 激活名称为ml的虚拟环境 conda activate ml
新建环境
# 新建名为venv_name的conda虚拟环境, 详细参数使用可百度 conda create [venv_name]
3、virtualenv
激活virtualenv环境
# 首先推出conda的环境 conda deactivate # 激活virtualenv actiavate /home/gpyz/venv/xgb/bin/activate
新建virtualenv环境
# 新建名为venv_name的virtualenv环境, 详细使用可百度 virtualenv /home/gpyz/venv/[venv_name]
Nvidia套件安装
Ubuntu16.04下安装安装CUDA、cuDNN和tensotflow-gpu流程和问题总结
Xgboost GPU部署
Nvidia Docker部署
Docker基础镜像
版本说明:
- latest: alphamind, xgboost, tensorlfow
- 0.1: latest基础上配置了jupyterhub
- 0.09: latest基础上配置了flask
docker部署的优点
1、各用户的工作环境隔绝, Docker内的活动不会破坏其他用户或者主机环境;
2、避免重复安装工作环境, 可在基础Docker镜像的基础上扩展;
3、主机的资源扩展和软件更新对Docker用户工作环境的影响比较小;
4、后期对服务器资源(CPU, GPU)管理方便.
单docker多用户
用户数据保存在docker内, 因为不同的用户使用的是系统新建用户, 动态创建用户不太好做目录映射
多单docker单用户
需要docker管理工具, 加大了运维需求.