本文将介绍在GPU实例上部署NGC环境。

实验介绍：

本教程向大家介绍，如何在GPU实例上部署NGC环境。NGC（NVIDIA GPU CLOUD）是NVIDIA开发的一套深度学习生态系统，可以使开发者免费访问深度学习软件堆栈，建立合适深度学习的开发环境。
在实验正式开始之前，请先完成以下准备工作：

• 购买Linux GPU实例。具体操作步骤可参考购买云服务器；

• 确保您已经为您的Linux实例绑定了公网IP，若暂未绑定，可参考绑定公网IP；

• 在实例安全组入方向添加规则并放行端口443或5000；

• 登录NGC网站，注册NGC账号并获取NGC API key保存到本地。

关于实验：

预计部署时间：60分钟
级别：中级
相关产品：GPU云服务器
受众：通用

操作步骤：

本示例操作系统版本为：Ubuntu 18.04

步骤一：查看实例驱动版本信息

• 执行nvidia-smi命令，查看实例驱动版本信息，若出现如下回显，表明驱动信息正常，可进行后续操作。

步骤二：安装nvidia-docker

1. 依次执行以下命令安装docker-ce；

apt install -y apt-transport-https ca-certificates curl gnupg-agent software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable"
apt update
apt install -y docker-ce docker-ce-cli containerd.io
docker version //查看docker容器版本信息，出现如下回显，表明安装成功

2. 依次执行以下命令安装nvidia-docker。

curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
apt update
apt install -y nvidia-docker2 //安装nvidia-docker2容器
systemctl daemon-reload
systemctl restart docker //重启docker容器

步骤三：获取NGC image

1. 完成容器安装工作后，需要依次执行以下命令登录到NGC容器环境中；

docker login nvcr.io 
Username: $oauthtoken 
Password: API KEY

执行完成后，会出现如下所示回显内容：

2. 登录NGC官网，在左侧导航栏点击“Containers”；

2. 在搜索框中输入“TensorFlow”，并点击进入；

3. 点击右侧“Copy Image Path”，选择对应版本的TensorFlow镜像地址；

4. 执行以下命令拉取镜像并查看下载的镜像文件。

docker pull nvcr.io/nvidia/tensorflow:18.03-py3
docker images //查看下载的镜像，出现如下回显，表明拉取成功

步骤四：运行容器，完成TensorFlow开发环境的部署

1. 执行以下命令，运行容器，完成TensorFlow开发环境的部署；

nvidia-docker run --rm -it nvcr.io/nvidia/tensorflow:18.03-py3

出现如下回显，表明部署成功。

2. 验证测试

   1. 执行python，若环境正常，则直接进入python环境；

   2. 在Python环境下执行以下命令，若出现如下回显表明环境搭建成功。

   import tensorflow as tf
   hello = tf.constant('Hello, TensorFlow!')
   sess = tf.Session()
   sess.run(hello)
   

至此，关于GPU实例上部署NGC环境就完成了，您可以在该开发环境中访问深度学习框架，可以极大程度的缩减产品开发及业务部署的时间，实现开发环境的预安装。
如果您有其他问题，欢迎您联系火山引擎技术支持服务。