CUDAを使ってGPUプログラミングに挑戦してみた。
皆さんこんにちは
お元気ですか。私は家の近くに一風堂ができて感動しています。
本日はCUDAを使ったGPUプログラミングに挑戦します。
最近、ふと思うことがあります。
GPUをよく使いますが、GPUの心みたいなものがわからない状態です。
そこで、GPUプログラミングに挑戦し、コードを書きながらGPUのことを
知ることができたらと思って書いてみました。
GPUわからないとTwitter呟いていたら、
@dandelion1124さんにおすすめの書籍を紹介してもらいました！
GPUがどんな仕組みで動作しているのか非常にわかりやすいです。
CUDA C プロフェッショナル プログラミング impress top gearシリーズ
- 作者: John Cheng,Max Grossman,Ty McKercher
- 出版社/メーカー: インプレス
- 発売日: 2015/09/24
- メディア: Kindle版
- この商品を含むブログを見る
そもそもGPUって何？
第１回 GPUコンピューティングおよびCUDAについて | G-DEPより引用します。
GPUとはGraphics Processing Unit の略称で、その名の通りPCやワークステーションにおいて画像処理を担当する主要な部品の一つです。高速のVRAM（ビデオメモリ；グラフィックボード上のGPU専用メモリ）と接続され、グラフィクスシェーディングに特化したプロセッサが多く集まった構造を持っています。一つ一つのプロセッサの構造は単純なためその機能はCPUに比べて限定されたものですが、大量のデータを複数のプロセッサで同時かつ並列処理することができます。
近年、DeepLearingの演算で利用されることの多いのは最後にある大量のデータを
複数のプロセッサで同時かつ並列処理できる点でしょう。
これにより特に行列演算において、CPUより高速に演算を行えます。
ただし、GPUは条件分岐処理が含まれるとCPUより処理が遅くなる傾向があるとのこと。
条件分岐があると逐次処理になり、処理自身を並列にできないようです。
CUDAとは
第１回 GPUコンピューティングおよびCUDAについて | G-DEPより引用します。
CUDA（クーダ）とはCompute Unified Device Archtectureの略称で、半導体メーカーNVIDIA社が提供するGPUコンピューティング向けの統合開発環境です。プログラム記述、コンパイラ、ライブラリ、デバッガなどから構成されており、プログラム言語はC言語ベースに拡張を加えたものであるため、C言語によるプログラミングの経験があれば扱いやすくなっています。
GPUコンピューティング向けの環境であるようです。（そのまま）
CUDAはC言語ベースに拡張を加えたものであるため、C言語を扱ったことがある人であれば
簡単に実装することができるそう。
さっそく、CUDAを使ったGPUプログラミングに挑戦しましょう。
GPUでHello Worldを書く
まずは、GPUでHello Worldです。
次のソースコードを「hello_world.cu」のファイル名で作成しましょう。
#include <stdio.h> int main( void ) { printf("Hello, World!\n"); return 0; }
そして、コンパイルします。コンパイラはgccではなくnvccを使いましょう。
nvcc hello_world.cu
nvccは「ソースの中のCPUで動く部分とGPUで動く部分を分け、CPU用コードをCコンパイラに渡し、GPU用コードをコンパイル（正確にはPTXコードに変換）する」コンパイラとのことです。
そのため、Cのみでも、実行可能となります。
さて、実行しましてみましょう。
$ ./a.out Hello, World!
GPU上で計算させてみる。
先程実行したのは出力をする簡単なものです。
GPUを使って計算させてみましょう。
次のコードは２つの配列を合計する計算をする処理を行います。
#include <stdio.h> #include<stdlib.h> #define N 2000000000 __global__ void sum_of_array(float *arr1, float *arr2, float *arr3, int size){ int i = blockIdx.x * blockDim.x + threadIdx.x; arr3[i] = arr1[i] + arr2[i]; } void initialize_array(float *arr, int size){ for (int i = 0; i < size; i++){ arr[i] = (float)rand(); } } int main(void){ float *arr1, *arr2, *arr3, *d_arr1, *d_arr2, *d_arr3; size_t n_byte = N * sizeof(float); arr1 = (float *)malloc(n_byte); arr2 = (float *)malloc(n_byte); arr3 = (float *)malloc(n_byte); initialize_array(arr1, n_byte); initialize_array(arr2, n_byte); initialize_array(arr3, n_byte); printf("start cudaMalloc\n"); cudaMalloc((void**)&d_arr1, N); cudaMalloc((void**)&d_arr2, N); cudaMalloc((void**)&d_arr3, N); printf("finish cudaMalloc\n"); printf("start cudaMemcpy\n"); cudaMemcpy(d_arr1, arr1, n_byte, cudaMemcpyHostToDevice); cudaMemcpy(d_arr2, arr2, n_byte, cudaMemcpyHostToDevice); cudaMemcpy(d_arr3, arr3, n_byte, cudaMemcpyHostToDevice); printf("finish cudaMemcpy\n"); printf("start kernel function\n"); sum_of_array<<<(N+255)/256, 256>>>(d_arr1, d_arr2, d_arr3, n_byte); printf("finish kernel function\n"); cudaMemcpy(arr3, d_arr3, n_byte, cudaMemcpyDeviceToHost); }
GPU上で演算するには、次の4つの手順が必要になります。
- GPUのメモリを確保する・・cudaMalloc
- GPUのメモリにコピーする・・cudaMemcpy（cudaMemcpyHostToDevice）
- 計算を実行する・・カーネル関数
- CPUのメモリに結果をコピーする・・cudaMemcpy（cudaMemcpyDeviceToHost）
まずは、GPUメモリを確保します。これはcudaMallocを使って行います。
次にGPUのメモリにCPUで確保したデータをコピーします。そして、カーネル関数と呼ばれる
関数で計算し、最後結果をCPUに書き戻します。
これにより、GPUを使った演算ができます。
CUDAにはまだまだライブラリがあるので、どんどん使ってみましょう！
Anacondaを使ったPythonの環境構築
皆さんこんにちは
お元気ですか。私は暇です（だと信じています）。
最近ブログタイトルと本人の忙しさが一致していないと言われるので
とりあえず暇ですといってみます。
本日は、Anacondaについて書きます。
Anacondaについて
Anacondaとは
AnacondaはPythonのデータサイエンスプラットフォームで
100以上のライブラリを簡単に導入できます。
Pythonのバージョンを仮想環境を使って切り替えることや
科学技術演算ライブラリ（numpyなど）のインストールを行うことを簡単にできます。
Windowsを全く利用していなかった頃は気にしていなかったのですが、
numpyやscipyを簡単に使えます。（pipで入れるとC環境の関係でハマったことがあります。）
インストール方法
まずは、インストールです。インストール用パッケージは
Anacondaの公式サイトで公開されています。
インストール先のOSによって媒体が異なるので、適切な媒体を選択しましょう。
Download Anaconda Now! | Continuum
GUIだとクリックするとインストールがはじまりますのでその手順に従いましょう。
また、CUIの場合は、公式にも掲載されている以下のコマンドを
利用すればインストールできます。
後半のshのファイルパスはインストール環境に併せて変更してください。
$ bash Anaconda3-4.2.0-Linux-x86_64.sh
但し、このコマンドは対話的に設定を行うので、Dockerfileのコマンドなど
対話的で行えない環境の場合は追加でオプションが必要です。
その場合は次のコマンドを利用しましょう。
$ bash Anaconda3-4.2.0-Linux-x86_64.sh -b -p /root/anaconda3
オプションですが、-bはバッチモードです。
例えば、Dockerfileに書く時のように対話的に実行できない場合に利用します。
- pはAnacondaのインストール先のパスを設定します。
最後に環境変数を設定します。Anaconda環境を標準の初期設定にしたい場合は、
.bashrcに予めexport文を書いておきましょう。
$ export PATH=/root/anaconda3/bin:$PATH
そして、「python」とコマンドを叩き、以下のようになると成功です。
特に確認する必要がある項目はAnaconda 4.2.0が表示されていることです。
$ python Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul 2 2016, 17:53:06) [GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux Type "help", "copyright", "credits" or "license" for more information. >>>
condaを使って環境を構築・確認する
Anacondaは付属のcondaでPythonの環境を作ったり、
新しいライブラリをインストールできます。
実際に構築してみましょう。
ライブラリのインストール
Anacondaにライブラリをインストールする時は、condaコマンドを使います。
まずは、conda searchを使い、インストールライブラリを確認します。
例えば、tensorflowをインストールする場合、次のようなコマンドを実行します。
$ conda search tensorflow
Fetching package metadata .......
tensorflow 0.10.0rc0 np111py27_0 defaults
0.10.0rc0 np111py34_0 defaults
0.10.0rc0 np111py35_0 defaults
これらのパッケージをインストールするには、installコマンドを使います。
$ conda install tensorflow
但し、conda searchで見つからない見つからないライブラリはpipでインストールしましょう。
condaで入れたライブラリの一覧
conda listを入力するとライブラリの一覧を確認できます。
$ conda list # packages in environment at /root/anaconda3: # _license 1.1 py35_1 _nb_ext_conf 0.3.0 py35_0 alabaster 0.7.9 py35_0
仮想環境の構築と削除
仮想環境を構築します。今回は試しにPython3.6の仮想環境を構築します。
$ conda create -n py36 python=3.6 anaconda
構築した環境の確認は以下のようにできます。
$ conda info -e # conda environments: # py36 * /root/anaconda3/envs/py36 root /root/anaconda3
また、構築した仮想環境ですが、removeコマンドで削除できます。
$ conda remove -n py36 --all $ conda info -e # conda environments: # root * /root/anaconda3
仮想環境にライブラリをインストールする
インストールした環境にライブラリがない場合があります。
その場合、インストール方法は２つあります。
基本的には、conda searchしても見つからない場合はpipを使ってインストールします。
仮想環境の切り替え
この環境をactivateするには、sourceでこのコマンドを動かします。
$ source activate py36
逆に環境を無効化したい場合はdeactivateを使います。
$ source deactivate
condaのupdate
conda自身を更新することができます。
まずは、versionを確認しましょう。
$ conda --version
conda 4.2.9
次にversionを更新します。非常に簡単で、conda updateを使います。
$ conda update --prefix /root/anaconda3 anaconda
conda自身の情報
conda自身がどのような状態かは、conda infoを使えば確認できます。
$ conda info
Current conda install:
platform : linux-64
conda version : 4.3.13
conda is private : False
conda-env version : 4.3.13
conda-build version : 2.0.2
python version : 3.5.2.final.0
requests version : 2.12.4
root environment : /root/anaconda3 (writable)
default environment : /root/anaconda3
envs directories : /root/anaconda3/envs
/root/.conda/envs
package cache : /root/anaconda3/pkgs
/root/.conda/pkgs
channel URLs : https://repo.continuum.io/pkgs/free/linux-64
https://repo.continuum.io/pkgs/free/noarch
https://repo.continuum.io/pkgs/r/linux-64
https://repo.continuum.io/pkgs/r/noarch
https://repo.continuum.io/pkgs/pro/linux-64
https://repo.continuum.io/pkgs/pro/noarch
config file : None
offline mode : False
user-agent : conda/4.3.13 requests/2.12.4 CPython/3.5.2 Linux/4.9.4-moby debian/jessie/sid glibc/2.19
UID:GID : 0:0
最後に
一通りAnacondaを使った環境構築をやってみました！
・・・大変だった。。
Cookiecutterを使ってテンプレートからプロジェクトを作成する
皆さんこんにちは
お元気ですか。ユニクロの極暖Tシャツ着ているとかなり暑い。。。冬なのに
今日は、Cookiecutterを使ったテンプレートからの複製生成を試みます。
テンプレートからちょっと変えたい部分を用意することで、簡単に
似たプロジェクトを作成できます。
Cookiecutterについて
Cookiecutterは雛形となるテンプレートプロジェクトから
プロジェクトを生成するツールです。
雛形となるプロジェクトを作ってしまえば、少し変更したい箇所を指定して
新しいプロジェクトを作ります。
Cookiecutterを使った複製をやってみる。
頻繁に利用がありそうなテンプレートの雛形は既に用意されています。
とりあえず、何も考えずに作ってみましょう。
GitHub - ionelmc/cookiecutter-pylibrary: Enhanced cookiecutter template for Python libraries.の雛形を使用する場合は
次のように実行します。
cookiecutter gh:ionelmc/cookiecutter-pylibrary
途中で色々と聞かれるので必要のある箇所は入力します。
full_name [Ionel Cristian Maries]: tereka email [contact@ionelmc.ro]: website [https://blog.ionelmc.ro]: github_username [ionelmc]: project_name [Nameless]: repo_name [python-nameless]: package_name [nameless]: distribution_name [nameless]: project_short_description [An example package. Generated with cookiecutter-pylibrary.]: release_date [today]: Select year: （略）
他にもflaskやdjango、restのプロジェクトがあります。
これで、確認すると変数となっていた箇所が指定した名前に
置き換わっていることを確認できます。
次はテンプレートを構築してみます。
テンプレートを作成に挑戦してみる。
準備されているテンプレートでは不足することもあるでしょう。
そんなときのために、自分で１からテンプレートを作ってみます。
ディレクトリの雛形は以下の通りです。
ディレクトリ構成
treeコマンドを使ってcookiecutterの雛形の構成を表示します。
.
└── TestProject
├── cookiecutter.json
└── {{cookiecutter.project_name_lower}}
└── README.md
cookiecutter.json
cookiecutter.jsonにcookiecutterの雛形で使う変数を定義します。
{ "project_name" : "test-project", "create_document": "y", "license": ["MIT", "BSD-3", "GNU GPL v3.0", "Apache Software License 2.0"], "project_name_rower" : "{{ cookiecutter.project_name|replace('-', '_') }}" }
{{ cookiecutter.<変数名> }}とすることで、その変数を埋め込めます。
また、埋め込んだ変数の文字を"-"→"_"に置換しています。
licenseの箇所はリストにしています。リストをjsonで入力した場合、
対話的に実行する時に候補を表示します。
README.md
プロジェクト内にあるREADME.mdにcookiecutterで
定義した変数を埋め込むテストをします。
今回、テストとして用意した文書は以下の通りです。
{{ cookiecutter.project_name}} document.
{% if cookiecutter.create_document == 'n' -%}
No Document
{%- endif %}
{% if cookiecutter.create_document == 'y' -%}
{{cookiecutter.license}}
This is an apple.
{%- endif %}このREADME内で、cookiecutterの変数を使えることは同じです。
追加で、if文を使った条件式を構築できます。上記の場合、
{% if cookiecutter.create_document == 'n' -%}はcreate_document変数がnの場合に動作し、
{% if cookiecutter.create_document == 'y' -%}はcreate_document変数がyの場合に動作します。
実行
コマンドラインからcookiecutter <ディレクトリ>で実行できます。
但し、ディレクトリ内にcookiecutter.jsonがないと実行できません。
$ cookiecutter TestProject/ project_name [test-project]: test-project create_document [y]: y Select license: 1 - MIT 2 - BSD-3 3 - GNU GPL v3.0 4 - Apache Software License 2.0 Choose from 1, 2, 3, 4 [1]: 2 project_name_lower [test_project]:
cookiecutter.jsonにリストで定義した設定は番号で選択できるようになっています。
作られたプロジェクトを確認する
最後に作ったプロジェクトを確認します。
まず、cookiecutterの変数になっていたディレクトリが
「test_project」の名前になりました。
.
└── test_project
└── README.md
README.md
test-project document. BSD-3 This is an apple.
README.mdを見ると、変数名が埋め込まれています。（test-project）
また、create_documentの条件が"n"となっている箇所が表示されていないことを確認できます。
更に、条件式が"y"の時に表示される文章を確認できました。
最後に
cookiecutterを使うと、基本となる雛形から
オリジナルのプロジェクトを簡単に作成できます。
ちょっとだけ変えたプロジェクトを作成したいことは結構あります。
意外に応用できそうなので、もっと使ってみたいと感じています。
Visual Studio CodeでC++の環境構築をやってみる
皆さんこんにちは
お元気ですか。私は元気です。
VIsual Studio CodeでC++の環境を構築します。
C++のコードを書く時に案外いいエディタがなくて結構困ります。
今まではsublime text+ pluginを使っていましたが、デバッガ厳しい、
補完難しいなど色々困っていました。
そこで、試しにVisual Studio CodeでC++の環境を作ってみました。
Visual Studio Code
Microsoftが作っているWindows, MacOS, Linuxで動作する
軽量高速な高機能エディタです。
（Visual Studio Code - Visual Studioより）
ダウンロードは次のサイトを参考にしてください。
code.visualstudio.com
設定方法
まずは、Visual Studio CodeにC++の環境を構築します。
C++の開発機能であるcpptoolsを拡張機能（plugin）からインストールします。
その手順は次の通りです。
- Visual Studio Codeを開く
- 左から拡張機能を選択する。
- cpptoolsを検索する。
- インストールする。
Visual Studio Codeと色々な機能
前準備
ソースコードを準備します。他にも設定ファイルなどが必要なものはありますが、
それは適宜、準備していきます。
#include <iostream> using namespace std; int main(void){ int a = 10; int b = 20; int c = a + b; cout << c << endl; return 0; }
コンパイルをする
コンパイルのショートカットキーは「cmd + shift + b」を使うと可能です。
ただ、タスクランナーがないと出るので、「tasks.json」を作るように言われます。
そのため、tasks.jsonを設定します。tasks.jsonにはg++のコマンドを設定します。
{ // See https://go.microsoft.com/fwlink/?LinkId=733558 // for the documentation about the tasks.json format "version": "0.1.0", "command": "g++", "isShellCommand": true, "args": ["-O2", "-g", "test.cpp"], "showOutput": "always" }
デバッグ
Debugタブから起動すると、「launch.json」が作られます。
起動するためには、launch.jsonの修正が必要です。
"program"の値を以下に変更が必要です。この"program"は
実行ファイルのパスを記述します。
"program": "${workspaceRoot}/a.out",デバッグは以下のような画面で、gdbが使われます。
予め、break pointを仕掛けるとその箇所で止まります。
実際にデバッグすると次のような画面になります。
ヘッダーの設定
コマンドで、「C/Cpp: Edit Configurations」を選択すると
C++の設定ファイル「「c_cpp_properties.json」が作られます。
そのの内部にヘッダーを設定する箇所があるので、その箇所にヘッダーのパスを
設定をすると読み込みすることができます。
このファイルはOS別に設定ができるため、該当するOSの"includePath"を変更します。
"includePath": [ "/usr/include", "/usr/local/include" ],
関数検索
関数検索は「cmd + shift + O」を使えばできます。
後はその欄で該当するファイルを探しましょう。
最後に
C++のエディタで良いものがなかったので、これはいい感じだと思っています。
Dockerを使ってGPUも使える分析環境を構築してみた
皆さんこんにちは
お元気ですか。Kaggle Meetup面白かったです！またあいましょう。
今日はDockerを使った分析環境構築の話をしようと思います。
Dockerを使って何を作ろうかと思ったら、分析環境さっさと作りたい・・・
cudnn等の更新が面倒であることが思い浮かびました。
なんとなく、Dockerを使えば解消できるのではないかといったことを思いつき遊んでみました。
Dockerとは
Dockerはコードやシステムライブラリ、システムで利用するのを実行するために
必要な全てが含まれているものをラップするソフトウェアらしい。
OS上で仮想環境を立ち上げ、ソフトウェアなどの実行ができます。
Dockerのメリット
公式サイトによれば、次のとおりです。
何が嬉しいの？
一言で言うと環境の管理です。
Dockerを使うと定義したコマンドを変更するのみで
ソフトウェアの更新が簡単になります。
また、同じファイルを利用している限り、同じ環境が構築されるので
マシンによってversionなどの差分が生まれることもなくなります。
私個人として大きいのは環境の再現だと思っています。
誰もがDockerを使うと同じバージョン、同じ環境を手間なく使えます。
更新手順と同じにしておけば、複数人で開発しても環境が同じ等、メリットがあります。
インストール
MacOS
これを試すためにだけ、Sierraにアップグレードしました。
Docker for macをダウンロードし、インストールすれば、準備完了です。
docs.docker.com
Ubuntu
MacOSと違って手順が少々必要です。（公式より）
sudo apt-get install apt-transport-https \ ca-certificates curl -fsSL https://yum.dockerproject.org/gpg | sudo apt-key add - sudo apt-get install software-properties-common sudo add-apt-repository \ "deb https://apt.dockerproject.org/repo/ \ ubuntu-$(lsb_release -cs) \ main" sudo apt-get update sudo apt-get -y install docker-engine
dockerを試してみる。
まずは、dockerのイメージを取得します。
pullコマンドはイメージをダウンロードするコマンドです。
docker pull ubuntu:16.04
次にDockerを実行します。実行コマンドはrunを使えばできます。
docker run -it ubuntu:16.04
root@fe9c5c38a45a:/#
そして、共有フォルダです。
ホストとコンテナのディレクトリを共有できます。
これは、-vを利用するとマウントが可能です。<ホスト側のパス>:<コンテナ側のパス>を記述して起動することで実現できます。
docker run -v /Users/Tereka/Desktop/Mount:/tmp/ -it ubuntu:16.04
また、Imageの一覧を確認するには、次のコマンドを使うと良いです。
$ docker images REPOSITORY TAG IMAGE ID CREATED SIZE ubuntu 16.04 104bec311bcd 2 weeks ago 129 MB hello-world latest c54a2cc56cbb 6 months ago
dockerのコンテナ状態は次のコマンドで見れます。
$ docker ps CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES e09f51e1b51c ubuntu:16.04 "/bin/bash" 3 hours ago Up 7 minutes
最後にコンテナの削除です。rmiコマンドを使うと可能です。
docker rmi <contener>:<tag>
どのようなimageがあるのかを検索したい時は、docker search
これを使うとpullで取得できるコンテナを探せます。
$ docker search centos NAME DESCRIPTION STARS OFFICIAL AUTOMATED centos The official build of CentOS. 2963 [OK] jdeathe/centos-ssh CentOS-6 6.8 x86_64 / CentOS-7 7.3.1611 x8... 54 [OK] nimmis/java-centos This is docker images of CentOS 7 with dif... 20 [OK] million12/centos-supervisor Base CentOS-7 with supervisord launcher, h... 12 [OK] torusware/speedus-centos Always updated official CentOS docker imag... 8 [OK]
Dockerfileを書く
Dockerfileを書くことで、独自のイメージを作れます。
FROMを利用すると、他のイメージをベースにDockerイメージをベースに構築できます。
RUNを利用することで、実際にコマンドの実行ができます。
説明するよりも見る方が早いかと。
試しにChainerを実行するDockerfileを作りました。
日本語入力にも対応しているコンテナです。
FROM nvidia/cuda:7.5-cudnn5-devel RUN apt-get update RUN apt-get install -y wget RUN apt-get -y install language-pack-ja-base language-pack-ja ibus-mozc RUN update-locale LANG=ja_JP.UTF-8 LANGUAGE=ja_JP:ja ENV LANG ja_JP.UTF-8 ENV LC_ALL ja_JP.UTF-8 ENV LC_CTYPE ja_JP.UTF-8 RUN wget https://repo.continuum.io/archive/Anaconda3-4.2.0-Linux-x86_64.sh RUN bash Anaconda3-4.2.0-Linux-x86_64.sh -b ENV PATH /root/anaconda3/bin:$PATH RUN echo $PATH RUN pip install chainer
以下のコマンドはDockerfileをビルドし、cudnn_dockerの名前で新しいイメージを構築しています。
docker build -t cudnn_chainer .
途中で失敗すると既に実行された結果のキャッシュを使います。
そのため、修正して再トライするのは非常に早いです。
ただし、それまでの結果を更新したい（gitのリポジトリの最新を使いたい等）
結果のキャッシュを使いたくない場合は、キャッシュを無効にしなければなりません。
その場合は、以下のコマンドを使うとDockerfileに書いてある
全てのコマンドを対象にbuildを行います。
docker build -t --no-cache=true cudnn_chainer .
後はrunを使えば実行できます。
docker run -it cudnn_chainer
DockerでGPUを使う方法
しかし、これではGPUを使うとエラーが出ます。
GPUをDockerコンテナ上で動かす為にはGPUの色々な設定をする必要があるようです。
chainerの公式githubを確認すると、nvidia-dockerと呼ばれるコマンドがあるので
それを使うと解消できました。因みにnvidia-dockerリポジトリは以下にあります。
まずは、インストールですが、以下のとおりです。
wget -P /tmp https://github.com/NVIDIA/nvidia-docker/releases/download/v1.0.0/nvidia-docker_1.0.0-1_amd64.deb sudo dpkg -i /tmp/nvidia-docker*.deb && rm /tmp/nvidia-docker*.deb # 起動確認 nvidia-docker run --rm nvidia/cuda nvidia-smi
後は起動するだけです。起動はdockerの代わりにnvidia-dockerを使います。
試しに遊んでみたら高速だった。僕のcudnnが古すぎた。。
nvidia-docker run -it cudnn_chainer
最後
これで一通りDockerを扱える気がします。
気が向いたらもう応用できそうな記事を書きます。
