Instalar drivers nvidia y luego nvidia-container-toolkit (AUR). Reiniciar docker.
$ yay -S nvidia-container-toolkit # Arch
$ systemctl restart docker
docker run --help | grep -i gpus
docker run --gpus all nvidia/cuda:9.0-base nvidia-smi
docker run --gpus 2 nvidia/cuda:9.0-base nvidia-smi # Habilita 2 GPUs en el contenedor
docker run --gpus '"device=1,2"' nvidia/cuda:9.0-base nvidia-smi # GPU específica
docker run --gpus all,capabilities=utility nvidia/cuda:9.0-base nvidia-smi$ docker pull tensorflow/tensorflow:gpu-latest
$ docker pull tensorflow/tensorflow:latest-gpu-jupyter
$ docker run --gpus all -it -u $(id -u):$(id -g) tensorflow/tensorflow:latest-gpu bash
$ nvcc --version # Versión CUDA
$ pip list | grep sorten
$ python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"Para que tensorflow no use toda la memoria (95% por defecto) le daremos solo el 75%
import tensorflow as tf
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.75)
s = tf.InteractiveSession(config=tf.ConfigProto(gpu_options=gpu_options))
s.as_default() # Por defecto usa la sesión para el resto de operaciones
tf.global_variables_initializer().run() # Inicia las variables