singularity是跟docker相似的容器系统，通常用在HPC或者超算上，跑代码之前要先把环境打包，自己制作镜像。
.镜像可以用docker或者singularity hub或者singularity library上pull下来，但好比如说跑python代码，很多时候需要自己增删改包，就必须对镜像进行个性化修改.
因为原来独占服务器到期，这次任务只能用学校的HPC，必须学这个singularity，学了十天，后面都不想搞了，但是想到花了七八天代码一直跑不通就相当于没有成果，时间就纯浪费了。
就多琢磨几天，终于搞好了
学校服务器真的强，又便宜。内存存储无限用，GPU A100按需使用也3块钱一个小时，比腾讯云，阿里云便宜一百倍。
官方文档链接：https://docs.sylabs.io/guides/3.5/user-guide/introduction.html
1，首先从容器平台下基础镜像，
singularity pull docker://deepcortex/ubuntu-conda
#从docker下载镜像并转换成sif格式2，sif格式是个只读模式，如果修改需要创建sandbox
singularity build --sandbox ubuntu18 ubuntu-conda_latest.sif3，创建sandbox目录后，使用shell –w命令对sandbox进行修改
sudo singularity shell --writable ubuntu18/4，修改完镜像后重新build成sif格式
singularity build test.sif ubuntu18说下经验，直接拉ubuntu镜像从0搭建python环境比较复杂，而且会导致sif镜像包非常大，大几G。而且从0配置CUDA是真麻烦
这次调通是直接拉的pytorch带cuda的官方镜像，然后用pip安装几个包，直接打包，方便又快。
常用的docker镜像有ubuntu官方的，nvidia官方的，pytorch官方的
再说下经验，每次为服务器换源太折腾了，又是conda的，又是ubuntu的，又是pip的。干脆直接不换源，如果是虚拟机的话用宿主机开局域网代理，再给虚拟机linux配置临时代理。又方便又快捷
