使用Docker GPU训练环境安装过程中所碰到的问题

输入下条命令，查看你的显卡驱动所使用的内核版本

cat /proc/driver/nvidia/version


输入下条命令，查看电脑驱动

cat /var/log/dpkg.log | grep nvidia

输入下条命令，查看电脑所有驱动

sudo dpkg --list | grep nvidia-*

问题１：

root@4f80b64fe9f6:/# nvidia-smi

Failed to initialize NVML: Unknown Error

进入Docker

sudo docker run --gpus all -it ubuntu18_torch1.6:v0.3

需要加入--gpus all

问题２：

安装好nvidia-docker,nvidia-driver,cuda,cudnn, 以及pytorch_cuda版后在docker中输入torch.cuda.is_available()，返回False

解决方法：

sudo docker run --gpus all -it [-e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all]

需要加入：-e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all

问题３：

使用pycharm运行pytorch工程代码，出现问题：RuntimeError:Not compiled with GPU support

解决方法：

删除benchmark中整个build文件夹，重新编译lib包：在根目录下运行：python setup.py build develop

编译好后，记得保存下镜像：

sudo docker commit -a "comment" contain_id image_name:image_tag

然后在pycharm中重新配置新的docker镜像即可

问题4：打开Pycharm2020.3版，在Settings里Build,Execution,Deployment里设置Docker时，出现Cannot connect to the Docker daemon at unix:///var/run/docker.sock. Is the docker daemon running?

docker与守护进程间的通讯问题

解决方法：

在命令行里输入
sudo chown *your-username* /var/run/docker.sock   # *your-username*为主机名：igs

问题５：在docker里运行工程代码时，报错：RuntimeError: Unrecognized tensor type ID: AutogradCUDA

原因：编译工程包时，使用了pytorch1.6+torchvision0.7,而在编译完后，更新了pytorch1.7+torchvision0.8

解决方法：重新编译工程，python setup.py build develop

问题６：在docker中升级pytorch：pip install pytorch1.7.1-***.whl

　　无法成功，提示超时，然后报错

解决方法：加上--no-deps

　　pip install --no-deps pytorch1.7.1-***.whl

问题７：在多GPU环境下，配置NUM_WORKER 为2，直接报错

export NGPUS=2

python -m torch.distributed.launch --nproc_per_node=NGPUS ../../tools/training/train.py

Traceback (most recent call last):
  File "train.py", line 159, in <module>
    train(args=args)
  File "train.py", line 50, in train
    rank = args.local_rank
  File "/home/wby/anaconda3/envs/wby/lib/python3.8/site-packages/torch/distributed/distributed_c10d.py", line 400, in init_process_group
    store, rank, world_size = next(rendezvous(url))
  File "/home/wby/anaconda3/envs/wby/lib/python3.8/site-packages/torch/distributed/rendezvous.py", line 95, in _tcp_rendezvous_handler
    store = TCPStore(result.hostname, result.port, world_size, start_daemon)
RuntimeError: Address already in use

问题在于，TCP的端口被占用

解决方法一：

运行程序的同时指定端口，端口号随意给出：

--master_port 29501 (端口号）
python train.py --master_port 29501 

解决方法二：

查找占用的端口号（在程序里 插入print输出），然后找到该端口号对应的PID值：netstat -nltp，然后通过kill -9 PID来解除对该端口的占用

问题８：no implementation found for {} on types that implement

if box1 == torch.Tensor:
    box1=box1.cpu().numpy()

修改为：

if type(box1) == torch.Tensor:
    box1=box1.cpu().numpy()

问题９：cant convert cuda:0 device type tenhsor to numpy

lt=np.maximum(box1[:,None,:2],box2[:,:2])

修改为：

if type(box1) == torch.Tensor:
    box1=box1.cpu().numpy()
if type(box2) == torch.Tensor:
    box2=box2.cpu().numpy()

问题１０：Docker训练单GPU时，可正常收敛，但采用多GPU训练时却无法收敛

参考链接：

NVIDIA Docker CUDA容器化原理分析

https://cloud.tencent.com/developer/article/1496697