# GPU-Basis-Image

Dies soll ein Basis-Image für GPU-Applikationen darstellen:

```dockerfile
# Wir nutzen ein Image von NVIDIA
FROM nvidia/cuda:12.2.0-runtime-ubuntu20.04

# Lege für später Variablen für einen non-root User fest (mit fester UID zur besseren Zuweisung)
ENV NB_USER="gpuuser"
ENV UID=999

# Install essential packages
RUN apt-get update && apt-get install -y \
    python3.8 \
    python3-pip \
    python3.8-dev \
    python3.8-distutils \
    gcc \
    g++ \
    curl \
    wget \
    sudo \
 && rm -rf /var/lib/apt/lists/*

# Installiere hier PyTorch mit GPU support (Versionen können angepasst werden)
RUN python3.8 -m pip install --upgrade pip \
    torch==2.0.1\
    torchvision==0.15.2

# Erstellen eines non-root Users
RUN useradd -l -m -s /bin/bash -u $UID $NB_USER

# Arbeitsverzeichnis festlegen
WORKDIR /app

# und zum non-root User wechseln
USER ${NB_USER}

# Starte die Konsole wenn wir den container starten
CMD ["/bin/bash"]
```

❗ ️ __Wichtig:__ <br>
Es muss mind. die gleiche Cuda-Version auf dem Host-Gerät installiert sein.

### Testen

Erstelle einen Container aus dem Image mit 
```docker build -t gputest .```. Anschließend starte den Container mit ```docker run --gpus all -it gputest```.


Nun sollten wir direkt in der Konsole des Containers mit dem user ```gpuuser``` sein.

Hier starten wir die Python Shell und wir können die Bibliothek ```torch``` nutzen um unsere GPU zu suchen mit:
```python
>>> import torch

>>> torch.cuda.is_available()
True

>>> torch.cuda.device_count()
1

>>> torch.cuda.current_device()
0

>>> torch.cuda.device(0)
<torch.cuda.device at 0x7efce0b03be0>

>>> torch.cuda.get_device_name(0)
'NVIDIA GeForce GTX 1080 Ti'
```

⚠️Wichtig: wenn dies nicht funktioniert, dann bitte noch einmal die Treiber auf der Host-Maschine überprüfen. Das man  auch die gleiche Version im Docker Container benutzt.

Die Versionen in der ```Dockerfile``` können natürlich angepasst werden, aber auf die Treiber achten!!!