Question

我开始学习如何使用TensorFlow进行机器学习。并且发现docker非常方便将TensorFlow部署到我的机器上。但是，我找到的示例不适用于我的目标设置。这是

在ubuntu16.04操作系统下，使用nvidia-docker一起托管jupyter和tensorboard服务（可以是两个容器或一个容器有两个服务）。从jupyter创建的文件应该对主机操作系统可见。

Ubuntu 16.04
Dokcer
NVIDIA-搬运工
- Jupyter
- Tensorboard

Jupyter容器

nvidia-docker run \
    --name jupyter \
    -d \
    -v $(pwd)/notebooks:/root/notebooks \
    -v $(pwd)/logs:/root/logs \
    -e "PASSWORD=*****" \
    -p 8888:8888 \
    tensorflow/tensorflow:latest-gpu

Tensorboard容器

nvidia-docker run \
    --name tensorboard \
    -d \
    -v $(pwd)/logs:/root/logs \
    -p 6006:6006 \
    tensorflow/tensorflow:latest-gpu \
    tensorboard --logdir /root/logs

我尝试将logs文件夹挂载到两个容器，让Tensorboard访问jupyter的结果。但是山似乎确实有效。当我在带有notebooks文件夹的jupyter容器中创建新文件时，主机文件夹$（pwd）/ notebooks什么都没有显示。

我也按照Nvidia Docker, Jupyter Notebook and Tensorflow GPU

中的说明操作

nvidia-docker run -d -e PASSWORD='winrar' -p 8888:8888 -p 6006:6006 gcr.io/tensorflow/tensorflow:latest-gpu-py3

只有Jupyter工作，张量板无法从6006端口到达。

Answer 1

今天我遇到了同样的问题。

简短回答：我将假设您正在为Jupyter Notebook和tensorboard使用相同的容器。因此，正如您所写，您可以使用以下内容部署容器：

nvidia-docker run -d --name tensor -e PASSWORD='winrar'\
                  -p 8888:8888 -p 6006:6006 gcr.io/tensorflow/tensorflow:latest-gpu-py3

现在您可以访问8888和6006端口，但首先需要初始化tensorboard：

docker exec -it tensor bash
tensorboard --logdir /root/logs

关于另一个选项：在不同的容器中运行jupyter和tensorboard。如果您在不同容器中安装相同目录时遇到问题（过去有一个错误），因为Docker 1.9可以创建独立的卷，取消链接到特定容器。这可能是一个解决方案。

创建两个卷来存储日志和笔记本。
使用这些卷部署两个图像。

docker volume create --name notebooks
docker volume create --name logs

nvidia-docker run \
--name jupyter \
-d \
-v notebooks:/root/notebooks \
-v logs:/root/logs \
-e "PASSWORD=*****" \
-p 8888:8888 \
tensorflow/tensorflow:latest-gpu

 nvidia-docker run \
 --name tensorboard \
 -d \
 -v logs:/root/logs \
 -p 6006:6006 \
 tensorflow/tensorflow:latest-gpu \
 tensorboard --logdir /root/logs

Answer 2

或者，您也可以使用ML Workspace Docker映像。 ML Workspace是一个Web IDE，它将Jupyter，TensorBoard，VS Code和许多其他工具和库组合到一个方便的Docker映像中。部署单个工作区实例非常简单：

docker run -p 8080:8080 mltooling/ml-workspace:latest

可以从同一端口访问所有工具。您可以找到有关如何访问TensorBoard here的信息。

如何与docker同时运行Tensorboard和jupyter？

2 个答案: