leafee98-blog/content/essays/use-cuda-in-container.md

title	date	tags	categories	weight	show_comments	draft
在容器中使用 cuda	2023-06-16T10:18:21+08:00			50	true	false

由于 nvidia 包更新，导致容器所使用的 cdi 中 nvidia.com 设备相关的文件过时，突然意识到记录过程的重要性，遂此篇。

一般安装步骤

本节据回忆和文档撰写，撰文时未实操，与实际可能存在出入。

在容器中使用 cuda，除需要较新的驱动、可用的容器运行时（podman、docker 等），还需要 nvidia-container-toolkit。

pacman -S podman
paru -S nvidia-container-toolkit

生成 CDI 描述文件：

nvidia-ctk cdi generate --output=/etc/cdi/nvidia.yaml

随后即可拉取一个 cuda 镜像 然后试验 cuda 是否可用：

podman run --rm --device nvidia.com/gpu=all docker.io/nvidia/cuda nvidia-smi -L

上述简述的安装逻辑在 Installation Guide — NVIDIA Cloud Native Technologies documentation 均有提到，具体请参考之。

当前遇到的问题

简而言之是 nvidia 驱动更新，于是就出现了下面的错误。

Error: unable to start container "xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx": crun: error stat'ing file `/usr/lib/libEGL_nvidia.so.530.41.03`: No such file or directory: OCI runtime attempted to invoke a command that was not found

错误的根源在于容器启动时使用了 --device nvidia.com/all （即 CDI），这种方式会受到 /etc/cdi/ 下的文件的影响，然而 /etc/cdi/nvidia.yaml 文件（部分内容如下）中所涉及的文件部分已经由于 nvidia 从 530.41.03-17 更新到了 535.54.03-2 而不存在，最终导致了上面的错误。

  - containerPath: /usr/lib/libEGL_nvidia.so.530.41.03
    hostPath: /usr/lib/libEGL_nvidia.so.530.41.03
    options:
    - ro
    - nosuid
    - nodev
    - bind

既然如此，重新生成该文件即可解决问题（以下命令在 Installation Guide — NVIDIA Cloud Native Technologies documentation 中亦有提到）。

nvidia-ctk cdi generate --output=/etc/cdi/nvidia.yaml

自动化

为了避免之后再出现问题，于是创建了以下 hooks 以在 nvidia 更新时自动更新 /etc/cdi/nvidia.yaml，但由于刚刚更新一次 nvidia，该 hook 是否正常工作尚不得而知。

# This file located at /etc/pacman.d/hooks/nvidia-generate-cdi.hook
[Trigger]
Operation=Install
Operation=Upgrade
Operation=Remove
Type=Package
Target=nvidia

[Action]
Description=Update cdi for container
Depends=nvidia-container-toolkit
When=PostTransaction
NeedsTargets
Exec=/usr/bin/nvidia-ctk cdi generate --output=/etc/cdi/nvidia.yaml