NGC（NVIDIA GPU CLOUD）是NVIDIA開發的一套深度學習生態系統，方便您免費訪問深度學習軟件堆棧，建立適合深度學習的開發環境。本文以搭建TensorFlow深度學習框架為例，為您介紹如何在GPU實例上部署NGC環境以實現深度學習開發環境的預安裝。
背景信息
NGC網站提供了目前主流深度學習框架不同版本的鏡像，例如Caffe、Caffe2、CNTK、MxNet、TensorFlow、Theano、Torch，您可以選擇需要的鏡像部署NGC容器環境。本文以搭建TensorFlow深度學習框架為例。
阿里云在云市場鏡像中提供了針對NVIDIA Pascal GPU優化的NGC容器鏡像，創建GPU實例時選擇NGC容器鏡像，可以簡單快速地部署NGC容器環境，即時訪問優化后的深度學習框架，極大程度縮減產品開發以及業務部署時間，實現開發環境的預安裝；同時該NGC容器鏡像支持調優后的算法框架，并且阿里云會對其持續更新。
使用限制
僅以下GPU實例規格族支持部署NGC環境：
gn5i、gn6v、gn6i、gn6e、gn7i、gn7e、gn7s
ebmgn6i、ebmgn6v、ebmgn6e、ebmgn7i、ebmgn7e、ebmgn7ex、sccgn7ex
更多信息，請參見GPU計算型。
準備工作
在操作本文前，請您提前在NGC網站注冊自己的NGC賬號。
在部署NGC環境前，請提前獲取TensorFlow容器鏡像路徑。
登錄NGC網站。
在搜索區域輸入TensorFlow后，選擇并單擊TensorFlow。
在TensorFlow頁面，單擊Tags頁簽，復制對應版本的TensorFlow容器鏡像。
以下載TensorFlow
22.05-tf1-py3鏡像為例，TensorFlow容器鏡像路徑為nvcr.io/nvidia/tensorflow:22.05-tf1-py3，該路徑用于后續在GPU實例中下載TensorFlow鏡像時使用。
重要TensorFlow鏡像中的CUDA版本必須與GPU實例的驅動版本相匹配，否則會導致部署TensorFlow開發環境時失敗。關于TensorFlow鏡像版本、CUDA版本以及GPU實例的驅動版本對應匹配關系，請參見TensorFlow Release Notes。
操作步驟
本文以gn7i實例為例，為您演示創建GPU實例時部署NGC環境的操作步驟。
創建GPU實例。
具體操作，請參見自定義購買實例。主要配置參數說明如下：
配置參數
說明
地域
請根據GPU實例可購買地域，選擇相應地域。
您可以前往ECS實例可購買地域，查看GPU實例在各地域的可購情況。
實例
選擇實例規格，本示例以gn7i為例。
鏡像
在云市場鏡像頁簽下，單擊從云市場獲取更多選擇（含操作系統）。
在彈出的鏡像市場頁面，輸入NVIDIA GPU Cloud VM Image并單擊搜索。
找到對應鏡像后并單擊使用。
公網IP
選擇分配公網IPv4地址。
說明如果這里沒有分配公網IP地址，則在GPU實例創建成功后，需要綁定EIP地址。具體操作，請參見綁定EIP。
安全組
選擇一個安全組。安全組里必須開放TCP 22端口。如果您的實例需要支持HTTPS或DIGITS 6服務，必須開放TCP 443（用于HTTPS）或TCP 5000（用于DIGITS 6）端口。
選擇以下任一方式遠程連接GPU實例。
連接方式
操作指引
Workbench
VNC
執行
nvidia-smi命令，查看當前GPU相關信息。查看Driver Version為515.48.07，該GPU實例的驅動版本（515版本或更高版本）與
22.05-tf1-py3版本的TensorFlow鏡像中的11.7版本CUDA相匹配。
執行以下命令，下載對應版本的TensorFlow容器鏡像。
docker pull nvcr.io/nvidia/tensorflow:22.05-tf1-py3重要下載TensorFlow容器鏡像可能需要較長時間，請您耐心等待。
執行以下命令，查看下載的TensorFlow容器鏡像信息。
docker image ls
執行以下命令，運行容器完成TensorFlow開發環境的部署。
docker run --gpus all --rm -it nvcr.io/nvidia/tensorflow:22.05-tf1-py3
依次執行以下命令，簡單測試TensorFlow。
pythonimport tensorflow as tf hello = tf.constant('Hello, TensorFlow!') with tf.compat.v1.Session() as sess: result = sess.run(hello) print(result.decode())如果TensorFlow正確加載了GPU設備，會成功返回
Hello, TensorFlow!字符串，如下圖所示。
保存修改后的TensorFlow鏡像。
在GPU連接頁面，打開一個新的遠程連接窗口。
執行以下命令，查詢容器ID（即
CONTAINER_ID）。docker ps
執行以下命令，保存修改后的TensorFlow鏡像。
# CONTAINER_ID請替換為通過docker ps命令查詢的容器ID，例如f76a5a4347d。 docker commit -m "commit docker" CONTAINER_ID nvcr.io/nvidia/tensorflow:20.01-tf1-py3重要請您妥善保存修改后的TensorFlow鏡像，否則會導致下次登錄時配置丟失。