基于Docker构建rllab项目的GPU开发环境指南

前言

rllab是一个强化学习研究框架，为了便于研究人员快速搭建开发环境，项目提供了Dockerfile来构建包含所有依赖的容器环境。本文将详细解析这个GPU版本的Dockerfile，帮助理解如何为rllab项目构建一个完整的GPU加速开发环境。

基础镜像选择

Dockerfile从nvidia/cuda:7.5-cudnn4-devel-ubuntu14.04基础镜像开始构建，这个选择有几个重要考虑：

1. 包含了CUDA 7.5和cuDNN 4的完整开发环境
2. 基于Ubuntu 14.04系统，稳定性较好
3. 专为GPU计算优化，可以直接使用NVIDIA显卡

Anaconda环境配置

容器中安装了Anaconda2-2.5.0，这是科学计算的Python发行版，包含了许多常用的数据科学包。配置过程包括：

1. 安装必要的系统依赖(wget, bzip2等)
2. 下载并静默安装Anaconda
3. 设置环境变量使conda命令全局可用
4. 配置UTF-8编码环境避免Python编码问题

系统依赖安装

为了支持rllab的各种功能，Dockerfile安装了大量系统依赖：

• 开发工具：git, make, cmake, unzip等
• 图像处理依赖：zlib1g-dev, libglib2.0-0等
• GUI相关库：libxrandr2, libxinerama-dev等(用于MuJoCo)
• 视频处理工具：libav-tools(替代ffmpeg)

Python环境配置

通过conda创建了一个名为"rllab3"的独立Python环境，基于environment.yml文件配置。这个环境包含了rllab运行所需的所有Python包。

特别值得注意的是TensorFlow GPU版本的安装：

RUN /opt/conda/envs/rllab3/bin/pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0rc0-cp35-cp35m-linux_x86_64.whl

这里指定了TensorFlow 0.10.0rc0的GPU版本，与CUDA 7.5和cuDNN 4兼容。

环境优化

Dockerfile还做了一些环境优化工作：

1. 配置了bashrc自动激活conda环境
2. 设置了PYTHONPATH包含项目代码目录
3. 配置了Theano使用CPU模式，避免与TensorFlow GPU版本冲突
4. 安装了常用的开发工具如vim和ack-grep

使用建议

基于这个Dockerfile构建的镜像特别适合以下场景：

1. 需要在GPU服务器上快速部署rllab开发环境
2. 希望隔离主机环境，避免依赖冲突
3. 需要复现基于特定版本依赖(rllab3环境)的实验

构建完成后，可以通过以下方式使用：

docker build -t rllab-gpu .
docker run --runtime=nvidia -it rllab-gpu

总结

这个Dockerfile为rllab项目提供了一个完整的GPU加速开发环境，包含了从底层CUDA驱动到上层Python库的所有依赖。通过容器化部署，研究人员可以专注于算法开发而不必担心环境配置问题，同时也保证了实验的可重复性。