安装TAO模型训练工具

NVIDIA 将大部分应用透过 Dcoker 容器技术进行封装，并且为了协助开发人员更加轻松地使用这些软件，NVIDIA 特别开发了一个 nvidia-pyindex 工具，将应用安装的过程变得更加简单， TAO 训练工具也不例外。

完整的 TAO 安装流程请参考 https://docs.nvidia.com/tao/tao-toolkit/ 里的 “TAO Toolkits Quick Start Guide” ，目前这个工具只支持 x86 电脑的 Ubuntu 操作系统，以下为最基本的硬件需求：

CPU：推荐8核以上，最好支持 AVX2 以上指令集，否则某些神经网络的模型训练会出现失败的状况，例如 detectnet_v2 。
内存：推荐 32GB 以上，至少也需要 16GB 。
GPU卡：推荐 32GB 显存的计算卡，至少需要 8GB 。
存储：推荐使用 SSD 硬盘，至少使用 7200RPM 转速的机械硬盘。

以上系统要求是容易达到的，目前测试过用 8GB 显存的 RTX 2070 或 3070 都能顺利执行训练任务，但是显存大小对模型训练的计算有很大的影响，另外一款 RTX A4000 配置 16GB GDDR6 显存，是性价比相当好的一个选择。

操作系统与安装 NVIDIA 驱动

至于操作系统方面，推荐 Ubuntu 18.04 或 20.04 桌面版，这两个都是经过测试兼容性比较好的版本，接下去只要在上面执行以下指令，安装好 NVIDIA 的 GPU 驱动即可，要求为 455 以上版本，目前测试到 495 版本也是很稳定：

 
sudo apt-get install software-properties-common
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get install nvidia-driver-495 
sudo reboot

执行以上指令之后必须重启系统才会生效，重启后执行 nvidia-smi ，如果出现以下画面就表示驱动已经安装成功。

安装 TAO 所需要的配套环境：

如今 NVIDIA 大部分应用都使用 Docker 容器技术进行封装，并且使用 Jupyter 作为操作工具，因此使用之前务必先安装好 docker 、 nvidia-docker 、 Jupyter 这些软件，最后安装 virtualenv 这个 Python 虚拟环境并非必要的，如果是对 Python 不熟悉的使用者，建议按照说明进行安装预配置。
1. 安装 docker 操作环境：以下步骤都是标准的流程，不多做说明

 
sudo apt install -y ca-certificates curl gnupg lsb-release 
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg \ --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg 
echo "deb [arch=$(dpkg --print-architecture)  signed-by=/usr/share/keyrings/docker-archive-keyring.gpg]   https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" |  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null 
sudo apt update 
sudo apt install -y docker-ce docker-ce-cli containerd.io

测试 docker 的安装，请执行以下指令：

 
sudo docker run hello-world

如果显示以下信息，就表示这部分的安装是成功的：

由于 docker 指令的执行是需要权限的，但如果每次都需要在前面加上 “sudo” 再输入密码的话，就会变得较为繁琐，可以执行以下操作去免除 “sudo” 权限：

 
sudo addgroup --system docker 
sudo adduser $USER docker && newgrp docker 		
sudo groupadd docker && sudo usermod -aG docker $USER

现在就能为您节省很多麻烦！
2. Docker 登录 NGC ：只要登录一次就行

 
export KEY='在NGC生成的密钥' 
docker login -u '$oauthtoken' --password-stdin nvcr.io <<< $KEY

最后显示 “Login Succeeded” 就表示登录成功，只要没有在 NGC 上重新生成密钥，这个登录就只要执行一次就可以，不需要每次开机都登录。

3. 安装 nvidia-docker2 ：以下步骤也是标准的流程，不多做说明

 
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list |  sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

测试 nvidia-docker2 的安装，请执行以下指令：

 
docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi

如果出现以下信息，表示 nvidia-docker2 也安装完成：

这里显示的内容虽然与本机的 nvidia-smi 完全一样，不过前者是本机所得到的信息，这里是容器所执行的显示结果。
4. 安装 Jupyter Lab 交互式环节：

 
sudo apt install python3-pip 
sudo pip3 install -U pip 
sudo pip3 install jupyter jupyterlab 
# 设置登录密码 
export PW=’自行提供‘ 
python3 -c "from notebook.auth.security import set_password; 
set_password('$PW','$HOME/.jupyter/jupyter_notebook_config.json')"

启用 Jupyter Lab ：

 
cd <您的工作目录>
jupyter-lab --ip 0.0.0.0 --port 8888 --allow-root--no-browser

现在就能用浏览器（推荐使用 Chrome ）输入: 8888 ，输入前面自行设定的密码，就能进入 Jupyter 工作环境，会以执行命令的位置作为工作的根 ( root ) 路径。

5. 安装 Python 的虚拟环境（非必要）
NVIDIA 为 TAO 开发的一个 Python 版本启动器 ( launcher ) ，为了确保使用环境的隔离，在官方安装文件里使用 virtualenv 创建 Python 的虚拟工作环境，但是经过测试验证，使用 conda 虚拟技术或者完全不使用虚拟环境，也都能正常运作，请根据自己的实际状况进行处理。
如果要使用 virtualenv 虚拟工具的话，请按照以下步骤进行安装：

 
pip3 install virtualenv virtualenvwrapper
# 创建目录用来存放虚拟环境 
mkdir $HOME/.virtualenvs
# 在~/.bashrc中添加行： 
export WORKON_HOME=$HOME/.virtualenvs
export VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
source /usr/local/bin/virtualenvwrapper.sh
# 保存并退出 
source ~/.bashrc
# 创建名为”tao”的 Virtualenv 
mkvirtualenv tao -p /usr/bin/python3
# 关闭“tao”虚拟环境 
deactivate
# 重新启动 “tao”虚拟环境 
workon tao

以上就完成所有配套所需要的软件，接下去就开始安装 TAO 的工作元件。

安装 TAO 的工作元件：

1. TAO 的启动器：可以在 virtualen 或 conda 虚拟环境下

 
pip3 install nvidia-pyindex 
pip3 install nvidia-tao 
# 检查安装 
tao info

如果安装正常的话，会看到下面信息：

这边会看到 “~/.tao_mounts.json wasn't found” 的信息，这是因为我们还未去执行路径映射的任务，所以没有这个文件是正常的，现在表示 TAO 启动器已经安装完成。

2. 下载 TAO 镜像文件：
虽然在标准执行的流程中，我们不需要事先下载镜像到本机里，但由于这个高达 15GB 的镜像文件是放置于境外的英伟达原厂服务器上，在国内的实际操作过程中并不是太稳定，因此推荐在执行任务之前，先执行独立的镜像下载工作。

TAO 的视觉类 ( CV AI ) 与对话类 ( Conv AI ) 的镜像文件是不一样的，分别在以下链接：

视觉类容器：https://catalog.ngc.nvidia.com/orgs/nvidia/teams/tao/containers/tao-toolkit-tf
对话类容器：https://catalog.ngc.nvidia.com/orgs/nvidia/teams/tao/containers/tao-toolkit-pyt

请执行以下指令，将两个容器都先下载到模型训练设备上：

 
# 下面版本请根据实际状况进行调整 
export TAO_CV_VER=v3.21.11-tf1.15.4-py3 
docker pull nvcr.io/nvidia/tao/tao-toolkit-tf:$TAO_CV_VER 
# 下面版本请根据实际状况进行调整 
export TAO_CONV_VER=v3.21.11-py3 
docker pull nvcr.io/nvidia/tao/tao-toolkit-pyt:$TAO_CONV_VER

下载完毕之后用 docker images 指令检查，看看是否如下图的信息：