[WIP]Docker로 딥러닝 개발환경 구축하기

작성중에 있습니다. ^^ pip, pip3, conda, pipenv, sudo pip …
우리는 단지 딥러닝을 공부하고 싶었을 뿐인데, 개발 환경 구축이 왜이리 발목을 잡는지 모르겠습니다.
이 포스트에서는, Docker를 사용해 빠르고 쉽게 딥러닝 개발환경을 구축하는 방법을 같이 보시죠!

Docker

Docker는,

사실 문제는,

햄버거 그림 here 정말 문제는 개발환경 셋업시 충돌이 나게 되면 어떤 부분이 잘못되었는지 파악을 하기 힘들다는 것입니다.
잘못된 부분을 알면 그 부분만 고치면 되지만, 우리가 직면하는 대부분의 패키지 충돌 / 개발 스택들의 버전 충돌은 어디가 잘못되었는지 모르는 경우가 많죠. 결국엔 다 엎어버리고 OS부터 다시 시작하는게 낫겠다는 생각이 들기도 하구요. ㅠ.ㅜ 그러면 어떻게 해야 할까요?

Virtual environment tools

로컬에 pip, pip3 등으로 직접 패키지를 깔기보다 패키지를 관리해 주는 관리 툴을 사용하는 것도 한가지 방법이 될 수 있습니다. 이렇게 할 경우에 프로젝트별로 사용되는 패키지들을 독립적으로 분리시킬 수 있는데요, 파이썬 내장 툴 venv, 혹은 data science 프로젝트들에 특화된 conda(Anaconda)가 아마 한번쯤 들어보셨을 대표적인 파이썬 프로젝트 패키지 관리 툴들입니다.
이런 툴을 사용해 패키지를 관리한다면, 충돌이 나더라도 ‘여기까지는 확실히 잘 되는’ 버전들 위에 새로 다시 설치해 보거나, 아니면 최악의 경우 처음부터 시작하더라도 가상환경 이전의 환경만큼은 깨끗하다고 확신할 수 있으므로 OS를 재설치하는 시간을 아낄 수 있게 됩니다. 패키지 관리 툴의 동작 방식은 조금씩 다르지만 이들의 역할은 기본적으로 프로젝트마다 가상 환경을 만들어 주고 그 위에 파이썬 패키지를 설치하거나 삭제하는 등 독립적으로 패키지 관리를 할 수 있도록 도와줍니다.

Docker로 딥러닝 개발환경을?

Docker의 고립된 컨테이너 안에서 프로젝트를 관리하는 것 또한 위에서 설명한 것과 같은 원리로 보시되,
Tensorflow official docker image를 사용해 딥러닝 환경을 구축하게 되면 [컨테이너의 OS - python - tensorflow]까지의 아주 잘 구축되어 있는 상태에서 그 위에 내가 원하는 환경 셋업을 시작할 수 있게 됩니다.(cpu 버전의 경우)

특히, 환경 구축이 까다롭기로 악명높은 tensorflow-gpu의 경우 또한 [CUDA - cuDNN - tensorflow-gpu] 의 안정적인 조합들 중 하나를 바로 받아와 실행할 수 있으며 공식 이미지이므로 이들의 버전 조합 사이에는 절대 충돌이 있을 수가 없다고 확신할 수 있습니다.
다만 도커가 설치된 Host OS에는 GPU 카드에 맞는 드라이버가 설치되어 있어야 하고, 드라이버와 저 셋의 조합 사이에는 호환이 되어야 합니다. (tensorflow-gpu 이미지가 드라이버와 맞지 않는다면 다른 조합의 CUDA-cudnn-tfgpu 버전을 금방 다시 받아와 시도할 수도 있습니다.)

원격 개발환경 셋업 예시

<셋업그림> Written on December 16th, 2018 by Sangsu Lee