nvdiadocker相关配置S3Gaussian

https://download.csdn.net/download/sinat_21699465/89458214

dockerfile文件参考：

https://download.csdn.net/download/sinat_21699465/89458214

prework：

显卡驱动决定了cuda版本支持的上限。例如nvdia535驱动最高支持cuda12.2所以显卡驱动版本选择也不要盲目求稳。

nvidiadocker解决了除驱动外的所有问题。所以驱动还是得手动安装。

main work：

安装docker可以参考https://blog.csdn.net/sinat_21699465/article/details/139068631

在安装好docker的基础上安装nvidia-container-toolkit

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

验证是否安装好：
dpkg -l | grep nvidia-container-toolkit

修改配置：

修改/etc/docker/daemon.json文件如下所示
{
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    }
}
重启docker服务：sudo systemctl restart docker

创建镜像：

docker pull ubuntu:22.04

cd path/to/dockerenv/

cd ubuntu2204/base/
docker build --build-arg IMAGE_NAME=nvidia/cuda --build-arg TARGETARCH=amd64 -t 11.8.0-base-ubuntu22.04 .

cd ../runtime/
docker build --build-arg IMAGE_NAME=nvidia/cuda --build-arg TARGETARCH=amd64 -t nvidia/cuda:11.8.0-runtime-ubuntu22.04 .
cd ../devel/
docker build --build-arg IMAGE_NAME=nvidia/cuda --build-arg TARGETARCH=amd64 -t nvidia/cuda:11.8.0-devel-ubuntu22.04 .
cd cudnn8/
docker build --build-arg IMAGE_NAME=nvidia/cuda --build-arg TARGETARCH=amd64 -t nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04 .
cd ../../..
docker build --build-arg IMAGE_NAME=nvidia/cuda --build-arg TARGETARCH=amd64 -t 3dgsenv:v1.0 .
docker run -it --gpus all -v /home:/home --name s3gs 3dgsenv:v1.0 /bin/bash

其中 --gpus all很关键！！！此处也可以指定gpu的机器号。选定使用哪个gpu

其他

如果在安装驱动过程中在本机编译过cuda，那么在用dockerfile创建镜像时会大大缩短用时。与之相对应的就是，需要增加本级编译cuda的工作和对应时间消耗。

可以自行取舍。本文章内的环境是已经本机编译好过cuda。

具体可以参考我的装机流程文章里的nvdia驱动安装链接内的内容。

注意事项：

创建3dgs镜像过程中有一点要注意：

# 安装 PyTorch 2.2.1 和 CUDA 11.8

# RUN pip3 install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu118

# pytorch版本对应关系可以参考：https://pytorch.org/get-started/previous-versions/

# 建议安装miniconda3,在conda虚拟环境中进行pytorch安装

验证：

root@c1d989c4faf7:/usr/bin# python3
Python 3.9.19 (main, Apr  6 2024, 17:57:55) 
[GCC 11.4.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch.cuda.is_available()
True
>>> torch.Tensor(1).cuda()
tensor([4.3771], device='cuda:0')
>>> 

另启动一个终端就可以看到有个python3占住了138显存

随着验证的python退出，这个138mb的显存占用也被释放了

对应的3dgs的git使用上的一点小技巧：

先浅拷贝，再分别拉子模块
 git clone --depth 1 https://github.com/nnanhuang/S3Gaussian.git

cd S3Gaussian
git submodule update --init --recursive

cd S3Gaussian
conda create -n S3Gaussian python=3.9 
conda activate S3Gaussianpip install -r requirements.txt
pip install -e submodules/depth-diff-gaussian-rasterization
pip install -e submodules/simple-knn

进入虚拟环境后再装pytorch相关内容：
pip3 install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu118

然后再

安装libgl库
apt-get install libgl1-mesa-glx 否则会无法使用open3d
pip install open3d==0.16.0

安装这些环境的前提是有网，没有网的话，就只能用服务器上的torch改代码了

或者使用自己的机器进行训练，但是会遇到cuda内存不足的问题，可以考虑调整batch size等解决方案。