😉

UbuntuにNVIDIA DriverとCUDA, Dockerをインストールして機械学習サーバを構築する

2024/03/06に公開

こんにちは.今回はNVIDIA CUDAをインストールして,PyTorchやTensorflowなどをNVIDIA GPUを利用して実行するための環境を構築する手順を書きます.

巷ではこういう記事がたくさん出ているかと思いますが,本記事では,研究室や会社などで共有利用するサーバとして想定している点が他の記事との相違点です.

私は今まではNVIDIA社の佐々木氏が書いていた,以下の「NVIDIA Docker って今どうなってるの? (20.09 版)」にお世話になっていたのですが,近年状況も変わってきているので,ここで一旦まとめます.

https://medium.com/nvidiajapan/nvidia-docker-って今どうなってるの-20-09-版-558fae883f44

本記事では以下のような環境を構築することを目的とします.

  • Ubuntu 22.04 LTS Server(Desktopでも可)
  • Docker
  • NVIDIA Driver, CUDA, NVIDIA Docker

Ubuntuのインストール・設定

まずはサーバーにUbutntu 22.04 LTS Serverをインストールします.
この記事を書いている時点ではあと1ヶ月で24.04 LTSが出るところですが,各種ライブラリが対応するまでは22.04で良いでしょう.

Ubuntuのインストールは各自好きな方法で行ってください.
私は以下のような設定でいつも入れています.

  • server minimizeを選択
  • サードパーティライブラリはインストールしない
  • partition: use as bootを選択してboot領域を1GB割り当てて,残りを/(ルート)にマウント
  • OpenSSH-ServerをInstall

ネットワークの設定はNICを複数束ねてbondingする場合であっても,インストール後にnetplanをいじった方が楽です.

Ubuntuをインストールし終わったら,コンソールにログインしてリモートで作業ができるように設定を行なっていきます.

パッケージインストール

まずはお好きなライブラリのインストールから

sudo apt update
sudo apt upgrade

sudo apt install -y \
    avahi-daemon git vim emacs build-essential \
    wget curl jq ffmpeg htop tmux screen parallel \
    imagemagick geeqie iputils-ping net-tools zsh

# Pythonのビルドができるようにパッケージをインストール
sudo apt install -y \
    build-essential libssl-dev zlib1g-dev \
    libbz2-dev libreadline-dev libsqlite3-dev curl \
    libncursesw5-dev xz-utils tk-dev libxml2-dev libxmlsec1-dev \
    libffi-dev liblzma-dev

インストールしたパッケージについて簡単に説明します.

  • git, wget, curl 必須
  • avahi-daemon mDNSのためのライブラリで,入れておくとDNSを立てなくてもローカルLANからssh server.localなどでWindows, macOS, Linuxのどこからでもアクセスできます.
  • emacs, vim 両方入れておけば戦争を回避できます.
  • build-essential ビルドするためのライブラリが色々入ります
  • jq json parser.機械学習データセットの情報はjsonで提供されていることもあるので入れます
  • ffmpeg コマンドラインから動画を処理できます
  • imagemagick コマンドラインから画像を扱えます
  • tmux, screen ログアウト後もシェルを維持できるので,時間の長い学習スクリプトを回す時に利用します.nohupでもいいです.
  • parallel サーバーマシンは大体コア数が多いので,並列処理して効率化しましょう.xargsでもいいです
  • htop システムの使用状況を見れます.topでもいいですが,htopの方が見やすいのでこちらを入れてます.
  • geeqie 画像ビュワーです.軽いのでXwindow越しでも使えます.
  • iputils-ping, net-tools pingで他のサーバの状況やインターネットの疎通確認に使えます.
  • zsh 好きなshellを入れてください.

2つ目のapt installはPythonをビルドするためのパッケージです.サーバの利用者の中にはpyenvあたりを利用する人もいると思うので,入れておきましょう.

ネットワーク設定

次にネットワークを設定します.
Ubuntu Serverはnetplanでネットワークの設定を行うので,/etc/netplan以下のyamlファイルの設定を行います.
Ubuntu Desktopの場合はNetworkManagerから行ってください.
IPアドレスを固定する場合は,以下のように設定します.

Ubuntu22.04からgateway4の書き方がroutesに変わっているので注意です.

# This is the network config written by 'subiquity'
network:
  ethernets:
    enp42s0:
      dhcp4: false
      addresses:
        - 192.168.0.2/24
      nameservers:
        addresses: [192.168.0.1]
      # 以下はダメ
      # gateway4: 192.168.0.1
      # routesで書く
      routes:
        - to: default
          via: 192.168.0.1
  version: 2

設定が終わったらsudo netplan applyで設定を有効化します.

SSHの設定

次にSSH-Serverの設定を行います.
ここは環境によって変わるかと思いますので,各自設定してください.
ローカルLANに置く場合は,PermitRootLoginPasswordAuthentication noあたりをしておけばいいです.

ここまで終わればリモートから作業できますので,サーバーをラックに入れるなりしておいてください.
NFSやLDAPを設定する場合はここでやるか,ラックに入れてから行いましょう.

Dockerのインストール

次にDockerのインストールを行います.
最近はLinuxでもDocker Desktopが出ていますが,Linuxは基本Engineで大丈夫でしょう.

以下の公式サイトの下の方に「Install using the convenience script」という項目があり,インストールスクリプトをダウンロードして簡単に導入できます.

https://docs.docker.com/engine/install/ubuntu/

curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh

共用サーバの場合,rootless Dockerを使うのもありです.その場合はNVIDIA Dockerを導入するためのコマンドが若干異なるので注意してください.

また,ユーザーがsudoなしでdockerを扱えるようにユーザーをdockerグループに入れておきます.

sudo gpasswd -a [ユーザー名] docker

NVIDIA Driver, CUDA, Dockerのインストール

次に機械学習の肝となるNVIDIA GPUを扱うためのドライバーやCUDAを入れていきます.

aptリポジトリの登録

以下のサイトから環境を選択して,cuda-keyringをインストールします.

https://developer.nvidia.com/cuda-downloads

今回のUbuntu 22.04の場合は

  • Linux
  • x86_64 (armの場合はarm64-sbsa)
  • Ubuntu
  • 22.04
  • deb(network)

を選択します.
そして表示されたスクリプトのうち,sudo apt-get updateまで行います.

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update

NVIDIA Driver, CUDAのインストール

次にCUDAのインストールを行いますが,その前に以下の表を確認しましょう.

https://docs.nvidia.com/cuda/cuda-installation-guide-linux/#meta-packages

上記の表を見ると,sudo apt install cudaを行えばdriverもcudaも入って良さそうですが,driverとcudaのいずれかのみをupgradeしたい場合に,依存関係で両方upgradeしなければならなくなります.
よって,ここではcuda-toolkit, cuda-driversをインストールすることで,依存関係をわけています.

sudo apt install -y cuda-toolkit
sudo apt install -y cuda-drivers

CUDAのバージョンですが,ユーザーには基本的にDockerを用いてもらうことで,ホストマシンはとりあえず最新を入れておけば良くなります。Dockerを布教しておきましょう.

cuDNNのインストール

cuDNNはNVIDIA CUDA Deep Neural Network libraryの略で,有効にするとDNNの処理の一部でGPU向けに高速化された実装を利用できます.

例によって以下のドキュメントから,cudnnを入れればいいことがわかります.
(昔はlibcudnn8とかだった気がする)

https://docs.nvidia.com/deeplearning/cudnn/installation/linux.html#additional-package-manager-capabilities

sudo apt install cudnn

NVIDIA Docker

NVIDIA Dockerは現在はNVIDIA Container Toolkitと呼ばれる体系の中にあります.なので,DockerコンテナからNVIDIA GPUを扱うにはnvidia-container-toolkitを入れます.

sudo apt-get install -y nvidia-container-toolkit

次にDockerの設定を行います.rootless Dockerの場合はコマンドが異なりますので注意してください.(Docker公式ドキュメントを参照)

sudo nvidia-ctk runtime configure --runtime=docker

次にDockerのconfigをいじります.以下のQiitaの記事やGithubのIssueで言われているように,「起動中のDockerコンテナでGPUが使えてたのにしばらくすると使えなくなる」現象があります.これはdockerのcgroupの管理がsystemdになっているためにsystemctl daemon-reloadした時にGPUの認識がおかしくなるようです.

https://qiita.com/tttamaki/items/4f369633b7f53f5131a1

Dockerをデフォルトで入れた時,docker infoは以下のようになっています.

docker info

# 中略
 Cgroup Driver: systemd
 Cgroup Version: 2

編集するファイルは/etc/docker/daemon.jsonです.

{
    "runtimes": {
        "nvidia": {
            "args": [],
            "path": "nvidia-container-runtime"
        }
    },
    "exec-opts": ["native.cgroupdriver=cgroupfs"]
}

ここで追加するのは"exec-opts": ["native.cgroupdriver=cgroupfs"]の行です.
書き込みが終わったらdockerを再起動して,変更ができているか確認します.

sudo systemctl restart docker
docker info

# 中略
 Cgroup Driver: cgroupfs
 Cgroup Version: 2

cgroupfsになっていればOKです.

再起動&確認

ここでNVIDIA Driverを有効にするために,サーバーの再起動を行います.

sudo reboot now

再起動をしたら,.bashrcにPATHを通します.

export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH"
export CUDA_HOME="/usr/local/cuda"
source ~/.bashrc

そしてホストマシンと,コンテナ内の両方でGPUを認識できるかを確認します.

  • ホストマシン
nvidia-smi

+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 545.23.08              Driver Version: 545.23.08    CUDA Version: 12.3     |
|-----------------------------------------+----------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |         Memory-Usage | GPU-Util  Compute M. |
|                                         |                      |               MIG M. |
|=========================================+======================+======================|
|   0  NVIDIA GeForce RTX 4090        On  | 00000000:03:00.0 Off |                  Off |
|  0%   46C    P8              34W / 450W |    112MiB / 24564MiB |      0%      Default |
|                                         |                      |                  N/A |
+-----------------------------------------+----------------------+----------------------+
|   1  NVIDIA GeForce RTX 4090        On  | 00000000:81:00.0 Off |                  Off |
|  0%   50C    P8              28W / 450W |     15MiB / 24564MiB |      0%      Default |
|                                         |                      |                  N/A |
+-----------------------------------------+----------------------+----------------------+

+---------------------------------------------------------------------------------------+
| Processes:                                                                            |
|  GPU   GI   CI        PID   Type   Process name                            GPU Memory |
|        ID   ID                                                             Usage      |
|=======================================================================================|
+---------------------------------------------------------------------------------------+

nvidia-smi -L

GPU 0: NVIDIA GeForce RTX 4090 (UUID: GPU-0b...)
GPU 1: NVIDIA GeForce RTX 4090 (UUID: GPU-0e...)
  • コンテナ
docker run --rm --gpus all nvidia/cuda:12.3.2-base-ubuntu22.04 nvidia-smi
Unable to find image 'nvidia/cuda:12.3.2-base-ubuntu22.04' locally
12.3.2-base-ubuntu22.04: Pulling from nvidia/cuda
01007420e9b0: Pull complete
bfc08b17629d: Pull complete
86fc789646b5: Pull complete
6b62141c2a21: Pull complete
e0e30e504698: Pull complete
Digest: sha256:8cecfe099315f73127d6d5cc43fce32c7ffff4ea0460eefac48f2b7d811ce857
Status: Downloaded newer image for nvidia/cuda:12.3.2-base-ubuntu22.04
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 545.23.08              Driver Version: 545.23.08    CUDA Version: 12.3     |
|-----------------------------------------+----------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |         Memory-Usage | GPU-Util  Compute M. |
|                                         |                      |               MIG M. |
|=========================================+======================+======================|
|   0  NVIDIA GeForce RTX 4090        On  | 00000000:03:00.0 Off |                  Off |
|  0%   46C    P8              33W / 450W |    112MiB / 24564MiB |      0%      Default |
|                                         |                      |                  N/A |
+-----------------------------------------+----------------------+----------------------+
|   1  NVIDIA GeForce RTX 4090        On  | 00000000:81:00.0 Off |                  Off |
|  0%   50C    P8              28W / 450W |     15MiB / 24564MiB |      0%      Default |
|                                         |                      |                  N/A |
+-----------------------------------------+----------------------+----------------------+

+---------------------------------------------------------------------------------------+
| Processes:                                                                            |
|  GPU   GI   CI        PID   Type   Process name                            GPU Memory |
|        ID   ID                                                             Usage      |
|=======================================================================================|
+---------------------------------------------------------------------------------------+

上記のように認識されていればOKです.

次にCUDAのバージョンを確認します.以下のように表示されていればOKです.

nvcc -V

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Wed_Nov_22_10:17:15_PST_2023
Cuda compilation tools, release 12.3, V12.3.107
Build cuda_12.3.r12.3/compiler.33567101_0

NVIDIA DriverとCUDAの自動アップグレードの停止

Ubuntuのパッケージマネージャのaptはパッケージの自動更新の仕組みがあるのですが,NVIDIA Driverが自動更新されると,Loadされているドライバと実際のバージョンのミスマッチを起こしてnvidia-smi実行時にFailed to initialize NVML: Driver/library version mismatchエラーがでます。ステータスが見られず,新しいジョブが投げられなくなったりします.
なので,長期運用するためにはNVIDIA系のライブラリは自動更新を止めることをお勧めします.

自動更新を止めるには,/etc/apt/apt.conf.d/50unattended-upgradesを編集します.
上の方にあるUnattended-Upgrade::Package-Blacklist.*nvidia, .*libnvidia, .*cudaを追加します.

// Python regular expressions, matching packages to exclude from upgrading
Unattended-Upgrade::Package-Blacklist {
    // The following matches all packages starting with linux-
//  "linux-";

    // Use $ to explicitely define the end of a package name. Without
    // the $, "libc6" would match all of them.
//  "libc6$";
//  "libc6-dev$";
//  "libc6-i686$";

    // Special characters need escaping
//  "libstdc\+\+6$";

    // The following matches packages like xen-system-amd64, xen-utils-4.1,
    // xenstore-utils and libxenstore3.0
//  "(lib)?xen(store)?";

    // For more information about Python regular expressions, see
    // https://docs.python.org/3/howto/regex.html
    ".*nvidia";
    ".*libnvidia";
    ".*cuda";
};

これで自動更新が停止されます.アップグレードする際は手動でsudo apt upgrade cuda-driver cuda-toolkitを実行してください.

ちなみに,データセンタ用のGPU(Tesla, RTX A6000, RTX 6000Ada, A100, H100など)はDriverのバージョンが古くても,新しいバージョンのCUDAを実行できる
Forward capabilityという機能があります.そのためDGX-A100とかは自動更新されないようになっているので,基本的に自動更新は止めて良いと思います.

以上で機械学習サーバの構築の最低条件は完了です.
あとはユーザーを追加するなりLDAP, NFSを設定するなりしてください.
お疲れ様でした!

Discussion