UAI-Train为用户提供了镜像打包工具，用户只需将所需代码文件放在某一路径下，执行打包命令即可以生成UAI-Train所需的镜像。

该打包工具将在本地docker中生成两个镜像以及运行镜像的指令说明文件uaitrain_cmd.txt。生成的镜像包括cpu和gpu两个版本，其中gpu版本的镜像会自动上传至用户的Uhub镜像仓库。两个版本的镜像均可以用于本地测试，测试命令可在uaitrain_cmd.txt中查询。

安装UAI SDK的方法如下：

git clone https://github.com/ucloud/uai-sdk

cd uai-sdk
sudo python setup.py install

安装Docker的方法请参见：docker

undefined ~/uai-sdk/uaitrain_tool/caffe

caffe_tool.py

例如，我们要将~/uai-sdk/examples/caffe/train/mnist下面的训练代码进行打包，该文件路径结构如下：

$ cd ~/uai-sdk/examples/caffe/train/mnist

$ ls 
data  code

我们需要做如下准备工作：

• 准备好训练的代码，案例中训练代码在mnist/code下, 包括train.py，lenet_solver.prototxt 和 lenet_train_test.prototxt，其中lenet_solver.prototxt为sovler描述，lenet_train_test.prototxt为模型描述文件。
• 将caffe_tool.py 工具放入和训练代码目录同级的目录下，即mnist 目录下
• Ready To Pack $ cd ~/uai-sdk/examples/caffe/train/mnist $ ls data/ code/

$ cp ~/uai-sdk/uaitraintool/caffe/caffetool.py ./ $ ls data/ code/ caffe_tool.py

caffe_tool.py pack命令执行方法如下：

sudo python caffe_tool.py pack [-h] --public_key PUBLIC_KEY

​                        --private_key PRIVATE_KEY 
​                        [--project_id PROJECT_ID] 
​                        --code_path CODE_PATH 
​                        --mainfile_path MAINFILE_PATH
​                        --uhub_username UHUB_USERNAME
​                        --uhub_password UHUB_PASSWORD 
​                        --uhub_registry UHUB_REGISTRY
​                        --uhub_imagename UHUB_IMAGENAME
​                        [--uhub_imagetag UHUB_IMAGETAG]
​                        [--internal_uhub false/true]
​                        --ai_arch_v AI_ARCH_V
​                        --test_data_path TEST_DATA_PATH
​                        --test_output_path TEST_OUTPUT_PATH
​                        [--train_params TRAIN_PARAMS]
​                        --solver PATH_TO_SOLVER
​                        [--snapshot PATH_TO_SNAPSHOT]

solver指定了Solver proto的路径，打包工具会自动生成--solver=的语句, 通常有两种填写方法：

1. /data/xxx，此时solver proto文件需要和train.py 一同打包进/data/ 目录下
2. /data/data/xxx，此时solver proto文件需要和数据一同上传至UFIle存储中，训练过程文件将下载至/data/data/目录下。用户可以通过该方案，在不重上传Docker镜像的基础上，动态修改solver proto 文件

命令样例 使用mnist中的训练程序为案例。 test_data_path和test_data_path不要求一定在训练代码路径下，如我们可以在/data/test目录下创建了两个子目录：

• /data/test/data 用于存放训练数据，此时test_data_path值为/data/test/data
• /data/test/output 用于存放训练输出数据，此时test_output_path为/data/test/output 使用命令时，需要使用sudo，保证docker镜像打包命令有足够权限。

注：我们可以将~/uai-sdk/examples/caffe/train/mnist/data/ 下的测试数据放入/data/test/data/目录下 同时将~/uai-sdk/examples/caffe/train/mnist/code/ 下的lenet_solver.prototxt 和 lenet_train_test.prototxt 文件也放入/data/test/data/目录下

$ ls /data/test/data/

mnist_test_lmdb/ mnist_train_lmdb/ lenet_solver.prototxt lenet_train_test.prototxt
$ cd ~/uai-sdk/examples/caffe/train/mnist
$ ls
data/ code/ caffe_tool.py 
$ sudo python caffe_tool.py pack \
                        --public_key= \
			--private_key= \
			--code_path=./code/ \
			--mainfile_path=train.py \
			--uhub_username= \
			--uhub_password= \
			--uhub_registry= \
			--uhub_imagename= \
                        --internal_uhub=true \
			--ai_arch_v=caffe-1.0.0 \
			--test_data_path=/data/test/data \
			--test_output_path=/data/test/output \
			--solver=/data/data/lenet_solver.prototxt

执行完指令后，训练镜像就已经准备好了

成功执行后，界面显示样例如下，会给出部署时所需的CMD命令以及本地测试的cmd命令:

CMD Used for deploying:

/data/train.py --solver=/data/data/lenet_solver.prototxt
CMD for CPU local test:
sudo docker run -it -v /data/test/data:/data/data -v /data/test/output:/data/output caffe-mnist-cpu:uaitrain /bin/bash -c "cd /data && /usr/bin/python /data/train.py --solver=/data/data/lenet_solver.prototxt --use_cpu=True --work_dir=/data --data_dir=/data/data --output_dir=/data/output --log_dir=/data/output/log" 
CMD for GPU local test:
sudo nvidia-docker run -it -v /data/test/data:/data/data -v /data/test/output:/data/output uhub.service.ucloud.cn/caffe-demo/caffe-mnist:uaitrain /bin/bash -c "cd /data && /usr/bin/python /data/train.py --solver=/data/data/lenet_solver.prototxt --use_cpu=False --num_gpus=1 --work_dir=/data --data_dir=/data/data --output_dir=/data/output --log_dir=/data/output/log"

• CMD Used for deploying: 该输出的内容为创建训练任务时，训练启动命令框中需要填写的内容(参见create-创建训练任务)。可以直接复制黏贴到命令框中。
• CMD for CPU local test: 该输出的内容为本地通过CPU来测试训练能否正常执行。在本地没有GPU的情况下可以使用该命令测试训练代码能否正常执行。
• CMD for GPU local test：该输出的内容为本地通过GPU来测试训练能否正常执行。在本地有GPU的情况下可以使用该命令测试训练代码能否正常执行。（注：在使用前请确认GPU驱动已经安装，并已经安装了nvidia-docker，详细安装方法请参见Docker使用指南）

在本地镜像仓库可以看到生成了两个docker镜像，分别为cpu版本和gpu版本。如下：

$ sudo docker images

REPOSITORY						  TAG		IMAGE ID	CREATED		SIZE
caffe-mnist-cpu						uaitrain	xxxxxx		xxxx ago	xxx GB
uhub.ucloud.cn//caffe-mnist	uaitrain	xxxxxx		xxxx ago	xxx GB

本地文件夹下生成了uaitrain_cmd.txt以及相关的日志文件，其中uaitrain_cmd.txt内容和标准输出的内容一致，防止用户丢失屏幕输出内容。

如果训练代码依赖特殊的软件包，例如nltk 等，可以通过Docker 打包的形式将软件包和相关数据打包入训练的Docker镜像，详细方法参见自定义打包镜像