🔥알림🔥
① 테디노트 유튜브 - 구경하러 가기!
② LangChain 한국어 튜토리얼 바로가기 👀
③ 랭체인 노트 무료 전자책(wikidocs) 바로가기 🙌
④ RAG 비법노트 LangChain 강의오픈 바로가기 🙌
⑤ 서울대 PyTorch 딥러닝 강의 바로가기 🙌

5 분 소요

도커(Docker)를 활용하면 CUDA, CuDNN과 같은 복잡한 설치환경의 충돌 걱정 없이 미리 설치된 dependency 셋팅으로 매우 편리하게 딥러닝/머신러닝을 위한 환경을 구성할 수 있습니다. Docker를 활용하여 Kaggle에서 발행한 Kaggle Docker를 Pull 하여 검증된 딥러닝/머신러닝 프레임워크 환경을 구성해보고 jupyter notebook을 원격으로 접속할 수 있도록 설정해보도록 하겠습니다.

주요 정보

  • 준비물: Docker, Docker Image (Kaggle의 gpu/cpu 추천)
  • 소요시간: Docker Pull Image 시간 제외 약 10분 (단, Image 크기가 커서 다운로드 시간이 오래걸립니다)
  • 환경: Ubuntu 18.04

STEP 1: 도커(Docker) 설치

docker desktop 다운로드

🌱 윈도우(Windows)

  • Docker Desktop for Windows 다운로드: Docker의 공식 웹사이트(https://www.docker.com/products/docker-desktop)에서 Docker Desktop for Windows를 다운로드합니다.

  • 설치 프로세스 진행: 다운로드한 설치 파일을 실행하고 지시에 따라 설치를 완료합니다.

  • 도커 시작: 설치가 완료되면 도커를 시작합니다. 작업 표시줄에서 도커 아이콘을 찾을 수 있습니다.

  • 도커 버전 확인: 터미널에서 docker --version 명령을 사용하여 도커 버전을 확인할 수 있습니다.

🌱 맥(macOS)

  • Docker Desktop for Mac 다운로드: Docker의 공식 웹사이트(https://www.docker.com/products/docker-desktop)에서 Docker Desktop for Mac을 다운로드합니다.

  • 설치 프로세스 진행: 다운로드한 .dmg 파일을 열고 Docker.app을 Applications 폴더로 드래그 앤 드롭합니다.

  • 도커 시작: Applications 폴더에서 Docker.app을 실행합니다.

  • 도커 버전 확인: 터미널에서 docker --version 명령을 사용하여 도커 버전을 확인할 수 있습니다.

🌱 리눅스(Ubuntu)

터미널에서 다음의 순서대로 명령어를 입력합니다.

# step 1: apt-get 업데이트
sudo apt-get update

# step 2: 이전 버젼 제거
sudo apt-get remove docker docker-engine docker.io

# step 3: 도커(Docker) 설치 
sudo apt install docker.io

# step 4: 도커 서비스 시작
sudo systemctl start docker
sudo systemctl enable docker

# step 5: 잘 설치 되어있는지 버젼 체크
docker --version

STEP 2: Kaggle 도커 이미지 설치

여러가지 딥러닝/머신러닝 관련 도커 Image들을 테스트 해보았습니다. 아무래도 Docker를 통한 설치가 너무 편하다 보니 손쉽게 다양한 도커 Image 들을 실행해보고 그 위에서 기본으로 어떤 버젼의 라이브러리를 사용하는지, gpu는 지원하는지 여부를 확인해 볼수 있었습니다.

결론부터 얘기하자면, 저는 GPU를 사용하는 딥러닝/머신러닝 환경 세팅이 필요한 상황이었지만 여러 유명한 도커 Image들은 GPU 지원이 좀 부족하다라는 느낌을 받았습니다.

그러던 중 Kaggle에서도 도커 이미지를 제공하고 있다는 것을 알게 되었고, CPU와 GPU 버젼 이렇게 나누어서 지원하고 있습니다.

제가 Kaggle 도커 이미지를 고른 이유는

  1. Xgboost, Catboost, Lightgbm등 Boosting 계열의 패키지를 지원합니다.
  2. XGboost의 경우는 GPU도 지원합니다. (요놈이 워낙 느려서 GPU 없이는 좀 힘듭니다ㅠ)

사실 많은 딥러닝 image는 Xgboost가 없는 경우도 많고 GPU 지원은 더더욱 찾기 힘들었습니다..

지금 시점으로는 Kaggle 도커가 좋은 선택지 같다라는 판단하에 Kaggle 도커로 설치를 진행하지만, 다른 더 좋은 도커 Image를 찾으셨다면 그 이미지로 설치를 진행하셔도 무방합니다.

캐글 도커 이미지 다운로드[깃헙]

# step 1: git pull (캐글 도커 이미지)
https://github.com/Kaggle/docker-python.git

# step 2: 
cd docker-python

# step 3:
# CPU 버젼
./build --use-cache
# GPU 버젼
./build --gpu --use-cache

# step 4:
# CPU 버젼 실행 테스트
docker run --rm -it kaggle/python-build /bin/bash
# GPU 버젼 실행 테스트
docker run --runtime nvidia --rm -it kaggle/python-gpu-build /bin/bash

# step 5 (GPU 버전 설치자만)
(container) $ nvidia-smi

STEP 3: 도커 이미지에서 Jupyter Notebook 실행

일단 도커에서 Jupyter Notebook 을 실행시키기 위해서는 docker run에서 Jupyter Notebook 실행 명령어를 같이 지정해 주면 됩니다.

명령어 부연 설명

  • 맵핑할 directory를 지정해 주면 됩니다. (Docker의 /home 디렉토리에 맵핑됩니다)
  • -p 에 jupyter notebook 포트번호를 맵핑합니다. 만약 외부 접속시 9999로 맵핑하고 싶다면 9999:8888로 입력해주면 됩니다
  • -v 옵션은 PC와 도커 간의 volumn 마운트 연결에 관한 옵션입니다
  • -it 옵션은 interactive한 환경을 제공합니다 (terminal bash 실행 등)
  • 저도 실수한 부분인데 위에 언급한 옵션을 만드시 Image명 앞 쪽에 지정해 주어야 에러가 안납니다

CPU

docker run -v ~/마운트할공간:/home -p 8888:8888 --rm -it kaggle/python-build bash -c "export LD_LIBRARY_PATH=/usr/local/cuda/lib64; pip install jupyter_contrib_nbextensions; pip install jupyter_nbextensions_configurator; jupyter contrib nbextension install --user; jupyter notebook --notebook-dir=/home --ip='*' --port=8888 --no-browser --allow-root --NotebookApp.token= "

GPU

docker run --runtime=nvidia -v ~/마운트할공간:/home -p 8888:8888 --rm -it kaggle/python-gpu-build bash -c "export LD_LIBRARY_PATH=/usr/local/cuda/lib64; pip install jupyter_contrib_nbextensions; pip install jupyter_nbextensions_configurator; jupyter contrib nbextension install --user; jupyter notebook --notebook-dir=/home --ip='*' --port=8888 --no-browser --allow-root --NotebookApp.token= "

STEP 4: 긴 명령어를 매번 입력하지 않도록 설정

다음과 같이 bashrc 파일 수정을 통해 긴 명령어를 별칭으로 지정해 놓으면, 매번 긴 명령어를 입력하지 않아도 됩니다.

# bashrc 파일
vi ~/.bashrc
##############
kjupyter {
     이곳에 실행할 명령어 입력
}
##############
# 예시, GPU
kjupyter {
    docker run --runtime=nvidia -v ~/마운트할공간:/home -p 8888:8888 --rm -it kaggle/python-gpu-build bash -c "export LD_LIBRARY_PATH=/usr/local/cuda/lib64; pip install jupyter_contrib_nbextensions; pip install jupyter_nbextensions_configurator; jupyter contrib nbextension install --user; jupyter notebook --notebook-dir=/home --ip='*' --port=8888 --no-browser --allow-root --NotebookApp.token= "
}

bashrc 업데이트 후 kjupyter 입력시 바로 실행됩니다

# .bashrc 업데이트
source ~/.bashrc

# kjupyter 실행
kjupyter

STEP 5: Jupyter Notebook 외부 접속 허용 및 password 지정

로컬에서만 운용하시는 분들은 신경 안써도 되는 step 입니다.

하지만, 서버에서 도커로 Jupyter Notebook 서버를 실행하고, password 를 지정하여, 아무나 접근하지 못하게 막고 싶다면, 다음과 같이 진행하시면 됩니다.

먼저, python 명령어를 통해 python Interactive terminal을 엽니다.

from notebook.auth import passwd

passwd()
# Enter password:
# Verify password:

# [out] 'sha1:DAEF843780F7011A4920982E5E53348DD6B07D2A'

output에 출력된 sha1 해시를 복사해 줍니다.

끝에 NotebookApp.token을 지워주고, NotebookApp.password로 변경합니다. 그리고 복사한 hash를 이어서 적어주면 됩니다.

GPU (예시)

docker run --runtime=nvidia -v ~/마운트할공간:/home -p 8888:8888 --rm -it kaggle/python-gpu-build bash -c "export LD_LIBRARY_PATH=/usr/local/cuda/lib64; pip install jupyter_contrib_nbextensions; pip install jupyter_nbextensions_configurator; jupyter contrib nbextension install --user; jupyter notebook --notebook-dir=/home --ip='*' --port=8888 --no-browser --allow-root --NotebookApp.password='sha1:DAEF843780F7011A4920982E5E53348DD6B07D2A'"

그러면, 이제 jupyter notebook을 실행시 암호를 입력하라는 창이 뜨는 것을 볼 수 있습니다.

STEP 6: Docker를 Background로 실행

도커 (Docker)를 Background로 실행하고자 함은, terminal을 종료해도 계속 서버가 유지되도록 하고 싶기 때문입니다. 가령 Amazon Aws 에서 instance를 만든 후 terminal을 종료시키면 자동으로 서버도 내려가 버리기 때문에 서버를 어렵게 만든 이유가 없겠죠?

# tmux 설치
sudo apt-get update
sudo apt-get install tmux

# tmux 실행 (kaggle 이라는 이름의 백그라운드 프로세스 실행)
tmux new -s kaggle

# backgound process로 docker 실행 (step 4의 bashrc 설정 참조)
kjupyter

해당 터미널에서 바로 전 step의 명령어를 실행합니다.

Ctrl + B, D를 입력하시면 터미널에서 빠져나올 수 있고, background로 서버가 계속 돌고 있는 것을 확인할 수 있습니다.

tmuxtmux로 terminal을 닫아도 서비스 백그라운드 실행 에서 더 자세한 사용법을 확인할 수 있습니다.

STEP 7: 방화벽(firewall) 설정

# 설치
sudo apt install ufw

# 방화벽 상태 확인
sudo ufw status

# ssh 접속 허용 (skip 해도 됨)
sudo ufw allow ssh

# 8888번 포트 허용 (jupyter notebook)
sudo ufw allow 8888/tcp

# 범위로 포트 허용을 하고 싶다면 (8888~9999 허용)
sudo ufw allow 8888:9999/tcp

# 방화벽 적용
sudo ufw enable

STEP 8: Iptime을 사용하고 있다면, Port Forwarding으로 외부접속 허용하기

192.168.0.1 접속하여 Iptime 설정 페이지로 로그인 합니다.

Port Forwaring Routing을 클릭합니다

image-20200205111306842

Add New Rule (새로운 규칙 추가)를 클릭 합니다.

image-20200205111433939

다음과 같이 외부 port 8888을 내부 8888로 포워딩 해주면 됩니다.

설정의 의미는 내 집주소 ip로 들어오는 포트 8888번은 내 서버 PC의 8888번으로 포워딩 시켜주겠다는 의미입니다.

image-20200205111623827

그럼, 이제 포워딩까지 세팅이 모두 완료되었고, 이제 집 밖에서도 노트북의 사양에 관계 없이 내 집에 있는 서버의 GPU 성능으로 머신러닝/딥러닝을 즐길 수 있게 되었습니다~!

참고 (References)

댓글남기기