TensorFlow PyTorch Docker环境

需要在原生系统下安装相关环境的参见：
Jetson Nano （ 二）TensorFlow PyTorch 及“annconda”的安装配置

一.软硬件版本

• 注：docker与nvidia-docker已默认安装在系统中无需另安装。

Jetson Nano 4G
JP 4.4.1
CUDA 10.2
CUDNN 8.0
TensorRT 7.1.3.0
Docker/Nvidia-Docker 19.03.6

二.Nvidia Containers

• 官网地址：

https://ngc.nvidia.com/catalog/containers

• 进入以上界面后，搜索Jetson，就会出现相关镜像。

• 这里我选择了NVIDIA L4T ML镜像内含tensorflow与pytorch等机器学习和深度学习库（不同德系统版本对应不同版本的镜像，内部环境库版本有所不同）。
  
• 当前系统为JP4.4.1这里我选择r32.4.4-py3版本。

sudo docker pull nvcr.io/nvidia/l4t-ml:r32.4.4-py3

• 进入镜像下查看

sudo docker run -it --rm --runtime nvidia --network host nvcr.io/nvidia/l4t-ml:r32.4.4-py3

三.使用docker简单部署一个python脚本

1. 首先创建项目文件夹
   

2. 创建编写Dockerfile
   

3. 创建测试脚本

#每隔5s打印 torch是否支持gpu
import torch
import time
i = 0
while i<100:
    i = i + 1
    time.sleep(5)
    print(torch.cuda.is_available())
print('OK')

4. 构建docker镜像

sudo docker build -t [Name] .
#最后有个‘.’别漏了

5. 运行刚刚构建好的镜像

sudo docker run -it --runtime=nvidia [Name]

成功的话会实时打印 “True”