我在 Azure 上设置了一个Data Science Virtual Machine for Linux (Ubuntu)，并想检查 GPU 的安装情况这些 TensorFlow 方向第一个命令显示 Tesla M60 有可用的 GPU：
$ lspci | grep -i nvidia
db4d:00:00.0 VGA compatible controller: NVIDIA Corporation GM204GL [Tesla M60] (rev a1)
第二条命令失败并显示一条神秘消息：
$ sudo docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi
docker: Error response from daemon: OCI runtime create failed: container_linux.go:348: starting container process caused "process_linux.go:402: container init caused \"process_linux.go:385: running prestart hook 1 caused \\\"error running hook: exit status 1, stdout: , stderr: exec command: [/usr/bin/nvidia-container-cli --load-kmods configure --ldconfig=@/sbin/ldconfig.real --device=all --compute --utility --require=cuda>=10.0 brand=tesla,driver>=384,driver<385 --pid=31149 /data/docker/overlay2/16e2b65fa0831681029432e3936005fa2796afd6d5a50c297d6bc0693e57a0b0/merged]\\\\nnvidia-container-cli: requirement error: unsatisfied condition: driver < 385\\\\n\\\"\"": unknown.
如何设置一台机器来运行 Nvidia docker 镜像？
答案1
此 NVIDIA GitHub 问题错误消息的这一部分：
--require=cuda>=10.0 brand=tesla,driver>=384,driver<385
这表明这是驱动程序问题。我不太明白为什么。
使用 Docker 的解决方案，但没有镜像
最简单的解决方案是使用不同的 Azure 映像：两者都NVIDIA GPU Cloud Image将NVIDIA GPU Cloud Image for Deep Learning and HPC运行该 Docker 映像。
使用您的图像的解决方案，但不使用 Docker
或者，您仍然可以使用Data Science Virtual Machine for Linux (Ubuntu)Docker，但无需容器化。例如，Conda 可以设置一个环境（其中yes |对安装软件包的提示的初始回答是）：
yes | conda create -n TF python=2.7 scipy==1.0.0 tensorflow-gpu==1.8 Keras==2.1.3 pandas==0.22.0 numpy==1.14.0 matplotlib scikit-learn
export PATH=$PATH:/data/anaconda/envs/TF/bin
export PATH=$PATH:/data/anaconda/envs/py35/bin
这些命令从 Tensorflow 中提取官方模型：
git clone https://github.com/tensorflow/models.git
export PYTHONPATH="$PYTHONPATH:./models"
第一次调用nvidia-smi显示 GPU 没有正在运行的进程：
$ nvidia-smi
Mon Jan 21 16:26:02 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 396.44 Driver Version: 396.44 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 Tesla M60 On | 0000DB4D:00:00.0 Off | Off |
| N/A 39C P8 14W / 150W | 0MiB / 8129MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
当你让官方 MNIST 模型在后台运行一段时间时，你将看到一个使用 GPU 的进程：
$ python models/official/mnist/mnist.py &
[1] 25967
$ nvidia-smi
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 396.44 Driver Version: 396.44 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 Tesla M60 On | 0000DB4D:00:00.0 Off | Off |
| N/A 37C P0 77W / 150W | 7851MiB / 8129MiB | 93% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| 0 26077 C python 7840MiB |
+-----------------------------------------------------------------------------+