在 TAO 提供的數據類范例中，每個腳本的第一個步驟都是環境配置（0. Set up env variables and map drives），包括要求用戶提供在 NGC 所生成的密鑰，對后面訓練的模型進行保護，以及指定要使用的 GPU 數量等等，這幾個設定都很直觀容易處理，但接下去的環境變量配置部分，就讓大部分初學者停滯不前，因為任何一項路徑配置錯誤，都會影響后面工作的正常進行，而每個實驗腳本所提供的說明，對初學者來的幫助并不大，很多新手按照其字面解釋去進行設定，但總是沒法調整到完全正確。

因此我們必須在大家執行實驗之前，先以專文將這部分的配置說明清楚，然后提供一個最簡單的步驟，讓大家用最輕松的方法來進行配置。

本文使用范例的 detectnet_v2.ipynb 做示范，首先看一下第一指令塊中的設定內容：

[  ]  import os
%env KEY=tlt_encode%env NUM_GPUS=1%env USER_EXPERIMENT_DIR=/workspace/tao-experiments/detectnet_v2%env DATA_DOWNLOAD_DIR=/workspace/tao-experiments/data
# %env NOTEBOOK_ROOT=~/tao-samples/detectnet_v2os.environ["LOCAL_PROJECT_DIR"] = FIXMEos.environ["LOCAL_DATA_DIR"] = os.path.join(    os.getenv("LOCAL_PROJECT_DIR", os.getcwd()),    "data")os.environ["LOCAL_EXPERIMENT_DIR"] = os.path.join(    os.getenv("LOCAL_PROJECT_DIR", os.getcwd()),    "detectnet_v2")
# The sample spec files are present in the same path as the downloaded samples.os.environ["LOCAL_SPECS_DIR"] = os.path.join(    os.getenv("NOTEBOOK_ROOT", os.getcwd()),    "specs")%env SPECS_DIR=/workspace/tao-experiments/detectnet_v2/specs

稍微整理一下，除了KEY與 NUM_GPUS 兩個變量之外，共有7個與路徑有關的變量：

• USER_EXPERIMENT_DIR

• DATA_DOWNLOAD_DIR

• LOCAL_PROJECT_DIR

• LOCAL_DATA_DIR

• LOCAL_EXPERIMENT_DIR

• LOCAL_SPECS_DIR

• SPECS_DIR

其實稍微整理一下就更容易理解，下表就是將這7個變量分為兩組，以 “LOCAL_” 開頭的屬于 “容器外” 用途，另外 3 個屬于容器內用途。

什么是容器內與容器外？前面提過 TAO 用兩套獨立的 Docker 容器，分別為視覺類與對話類提供模型訓練功能，并透過 TAO 啟動器的 CLI 指令執行各項任務。

雖然我們所有操作都在容器外的宿主機上，例如在指令終端下達 “tao detectnet_v2 train ...”，或者在 Jupyter 交互環境里執行 “!taodetectnet_v2 train ...” 指令，但是 TAO 啟動器會將這些指令傳遞到容器，在后臺為我們執行對應的任務。

這種處理方式的最大好處是，讓不懂 Docker 的初學者完全無需理會容器技術，只要專注于 “模型訓練” 的重點工作就行，如此就能讓 TAO 的普及程度更快與更廣，這也是 TAO 工具的一項非常重要意義。

但為何需要使用兩套路徑來處理呢？全部都在容器內執行不是更加簡單？這里有個最嚴肅的問題是 “容器的生命周期” ，如果將數據保留在容器內處理的話，一旦容器關閉或銷毀時，我們所有實驗數據都將付之一炬，這是一項大家都承擔不起的風險，因此我們必須將所有的數據存放在容器外面，然后透過路徑映射 (mapping) 的方式來處理。

其次就是對于數據整理與文件修改的能力，在容器內操作是相對不方便的。要知道在執行模型訓練之前，通常得先下載數據集的壓縮文件、移動文件、進行解壓縮、修改配置文件等等，這些任務在宿主機上操作是相對輕松的。

好了，當我們清楚 TAO 的視覺類模型訓練腳本中，存在容器內與容器外兩組環境路徑的原因之后，接著就來看該如何設置與映射。

我們將前面的列表進行展開，前面 4 個是容器外的變量、后面 3 個是容器內變量：

假如在執行格內的變量按照上表的順序去排列，事情就會變得非常單純。

事實上，從頭到尾我們只要將 “LOCAL_PROJECT_DIR” 設置為”執行腳本所在目錄”，那么后面三個容器外變量就立即建立好對應關系，我們完全不需要做任何處理理會。至于容器內的三個變量，每個腳本的配置規則都是一樣，也就是不需要去改變。

把上面的對應關系了解清楚之后，整個狀況就變得非常簡單，現在回頭看看第一個指令塊，里面需要輸入的變量其實只有以下三個：

• %env KEY= <自己在NGC上申請的秘鑰>

• %env NUM_GPUS= <根據設備配置，給定調用的GPU數量>

• os.environ["LOCAL_PROJECT_DIR"] = os.getcwd()

其他 6 個變量完全不做任何修改，這樣就能夠順暢地跑動后面的指令塊。

接下去的工作就是執行 “路徑映射” 任務，為容器內外的路徑建立對應的關系。幾乎所有訓練腳本都采用下面的映射方式：

[  ]  # Define the dictionary with the mapped drivesdrive_map = {    "Mounts": [        # Mapping the data directory        {            "source": os.environ["LOCAL_PROJECT_DIR"],            "destination": "/workspace/tao-experiments"        },        # Mapping the specs directory.        {            "source": os.environ["LOCAL_SPECS_DIR"],            "destination": os.environ["SPECS_DIR"]        },    ]}

執行這個路徑映射的指令塊之后，會將這些值寫入 “~/.tao_mounts.json” 文件里面，這是 TAO 啟動器每次調用容器時都需要參考的配置文件，但是這個文件是 “唯一” 的，也就是同一時間只會存在一組容器內外的路徑映射關系，這表示系統不能同時執行兩個以上的模型訓練腳本，這點也請務必牢記。

緊跟著的 “1.Install the TAO launcher” 步驟可以直接跳過，因為我們在前面已經帶著大家安裝好 TAO 啟動器，這里頂多執行 “!taoinfo” 指令，確認一下是否回應正確訊息。

現在就可以開始進行 TAO 所提供的各種神經網絡的模型訓練腳本。