本文是在宿主機Ubuntu16.04上拉取cuda10.1-cudnn7-ubuntu18.04的映象，在容器中通過Miniconda3建立python3.7.5的環境併成功安裝mindspore_gpu_1.0.1；
一、前期踩過的坑
二、安裝成功的流程
【1】拉取cuda10.1-cudnn7-ubuntu18.04的映象
【2】映象內建立容器,此處一定是nvidia-docker建立
【3】在容器內安裝Miniconda
【4】使用conda建立python3.7.5的虛擬環境並啟用
【5】通過可執行檔案安裝mindspore_gpu_1.0.1.whl並測試
一、前期踩過的坑
主要有以下幾點：
1. Ubuntu18.04（系統版本至少為18.04及以上） ：
基於我使用的是共用版Ubuntu16.04的伺服器，無法直接升級，只能通過容器方式，拉取Ubuntu18.04的映象；
2. cuda10.1 （cuda版本必須為10.1）：
3. cudnn >= 7.6 （cudnn7.6.5可行，但cudnn8是會報錯的）：
因Nvidia提供了[cuda+cudnn+ubuntu的映象](https://hub.docker.com/r/nvidia/cuda)，
所以可以一次性拉取需要的cuda10.1-cudnn7-ubuntu18.04的映象;
因要求的是cudnn>=7.6，所以最開始拉取的是cudnn8版本的，一直報錯 `libcudnn.so.7: cannot open shared object file: No such file or directory` ，後改為cudnn7版本就沒報錯了；
4. devel和runtime版本區別：本文選擇devel版
找到cuda10.1-cudnn7-ubuntu18.04，（cudnn7它標明的是cudnn7.6.5）發現有兩個版本cuda devel和cuda runtime：
官方解釋：
devel是說只涵蓋了開發bai所需的所有工具，包含編譯、debug等，以及編譯需要的標頭檔案、靜態庫。
runtime是說只涵蓋了執行環境的最小集合，例如動態庫等
所以runtime的映象大小會比devel小一些
5. docker與nvidia-docker的區別：
docker建立的容器裡需要再次安裝nvidia-driver，且需要容器裡的nvidia-driver版本與宿主機裡的nvidia-driver版本一致，才能在容器裡使用GPU；
nvidia-docker建立的容器，只需要在宿主機上安裝nvidia-driver，容器內就可以直接使用GPU；
安裝nvidia-docker之前必須在宿主機上安裝nvidia-driver和docker；
nvidia-smi # 檢查宿主機是否安裝了 nvidia-driver
docker version # 檢查宿主機上安裝的docker版本
nvidia-docker version # 檢查宿主機上安裝的nvidia-docker版本
二、 安裝成功的流程
【1】拉取nvidia/cuda:10.1-cudnn8-devel-ubuntu18.04的映象
為避免不必要的錯誤，後續使用的全部都是nvidia-docker
選擇devel版本
nvidia-docker pull nvidia/cuda:10.1-cudnn7-devel-ubuntu18.04
【2】映象內建立容器,此處一定是nvidia-docker建立
nvidia-docker run -it nvidia/cuda:10.1-cudnn7-devel-ubuntu18.04 /bin/bash
【3】在容器內安裝Miniconda
因為在容器內使用wget下載miniconda一直失敗，所以選擇在windows上下載並上傳至ubuntu宿主機上，再從ubuntu宿主機上拷貝至容器內；
nvidia-docker cp miniconda3.sh路徑 containerID:/ # 退出容器，並將miniconda3.sh 檔案拷貝至容器根目錄下 nvidia-docker start containerID # 啟動容器並進入 nvidia-docker exec -it containerID /bin/bash bash Miniconda3-latest-Linux-x86_64.sh # 安裝miniconda
【4】使用conda建立python3.7.5的虛擬環境並啟用
安裝miniconda後需先退出容器再進入，才能再容器中使用conda
conda create -n mindspore1.0.1 python=3.7.5 # conda create -n 虛擬環境名 指定python版本
conda activate mindspore1.0.1 # 啟用指定環境
同上,windows上下載mindspore_gpu_1.0.1.whl,並拷貝至容器內；
【5】通過可執行檔案安裝mindspore_gpu_1.0.1.whl並測試；
pip install mindspore_gpu-1.0.1-cp37-cp37m-linux_x86_64.whl
安裝完成後，在python環境下執行以下程式碼
import numpy as np from mindspore import Tensor from mindspore.ops import functional as F import mindspore.context as context context.set_context(device_target="GPU") x = Tensor(np.ones([1,3,3,4]).astype(np.float32)) y = Tensor(np.ones([1,3,3,4]).astype(np.float32)) print(F.tensor_add(x, y))
如果出現以下，則說明安裝成功：