[docker入门教程系列] 使用dockerfile创建cuda:11.0-cudnn8-devel-ubuntu18.04镜像

最新推荐文章于 2025-06-22 12:41:35 发布
原创 最新推荐文章于 2025-06-22 12:41:35 发布 · 1.4k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#docker #linux #运维

本文介绍如何在Dockerfile中配置基于nvidia/cuda:11.0-cudnn8-devel-ubuntu18.04的基础镜像，并更换apt源为清华大学镜像站。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在dockerfile中这样写:

FROM nvidia/cuda:11.0-cudnn8-devel-ubuntu18.04
RUN mv /etc/apt/sources.list /etc/apt/sources.list.bak
RUN echo "deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse" >> /etc/apt/sources.list
RUN echo "deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse" >>/etc/apt/sources.list
RUN echo "deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse" >>/etc/apt/sources.list
RUN echo "deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse" >>/etc/apt/sources.list
RUN gpg --keyserver keyserver.ubuntu.com --recv A4B469963BF863CC 
RUN gpg --export --armor A4B469963BF863CC | apt-key add -

上面的步骤干了两件事:

  1. 从docker官方拉取镜像FROM nvidia/cuda:11.0-cudnn8-devel-ubuntu18.04
  2. 修改apt源为清华源
docker部署ubuntu18.04深度学习环境——cuda11.1、cudnn8.0.5、pytorch1.8.0、tensorrt7.2.2.3、opencv4.4.0
weixin_50008473的博客
08-07 8230
这里写目录标题一级目录二级目录三级目录1 安装nvidia显卡驱动2 安装docker3 安装docker compose4 安装nvidia-docker5 下载 nvidia CUDA 镜像6 安装python3.8环境7 安装pytorch1.88 提交容器成为新镜像常用命令附录 一级目录 二级目录 三级目录 1 安装nvidia显卡驱动 参考2.2更新驱动：https://blog.csdn.net/weixin_50008473/article/details/115250986 2 安装dock
【深度学习】Fooocus-MRE docker镜像 CUDA11.8
q742971636的博客
09-21 806
【代码】【深度学习】Fooocus-MRE docker镜像。
用docker构建能用GPU炼丹的CUDA容器，附PyToch版本Dockerfile
Maid_Li的博客
05-24 2281
背景 实验室的服务器内核版本太老了，有一个项目需要升级内核，但是服务器上还有一堆东西不敢随便升级。 于是就准备用docker构建一个镜像，安装CUDA和Python环境，平时ssh连进去炼丹 需求 炼丹必备的cuda肯定是必不可少的，ssh服务器也需要配置，既然准备写一个dockerfile，那python环境和换源之类的也就一块打包到镜像里去得了。 以后谁想炼丹直接新建一个容器，映射好端口之后容器里炼丹的基础设施就都有了。 安装 宿主机安装CUDA驱动 想要容器能用CUDA，宿主机肯定要安装CUDA驱动，
ubuntu18.04安装docker, nvidia-docker
Hello Word!
11-16 722
安装docker: https://www.runoob.com/docker/ubuntu-docker-install.html 安装nvidia-docker: https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html#docker 其他： win10安装docker Ubuntu18.04安装nvidia-docker2 Ubuntu18.04.1安装Docker CE 18.0
✨CUDA Docker镜像详解 | 小白必看，从入门到精通
用大模型重构生活：猫奴程序员的AI智能日常记录
06-22 863
简单说，CUDA Docker镜像是NVIDIA官方发布的一套包含CUDA运行环境和开发工具的Docker镜像。通过它，你可以快速搭建一个支持GPU加速的容器环境，免去复杂的环境配置。尤其适合做深度学习、科学计算、GPU编程。镜像版本包含内容适用场景非Docker环境对应组件runtimeCUDA运行时动态库只跑程序，部署模型develruntime + nvcc编译器 + 头文件开发、编译CUDA程序runtime + cuDNN运行库运行深度学习模型。
Dockerfile 在11.2.1-cudnn8-runtime-ubuntu18.04-conda基础安装qt5并显示pyqt5应用
roymustang的博客
03-21 463
编写一个简单的pyqt5界面App.py。再次基础上运行Dockerfile脚本。
超全超强深度学习环境搭建--cuda、cuDnn、pytorch、torch、torchvision
qq_45692007的博客
07-10 2471
最近搭建环境搞的头的大了，网上大部分都是洗稿+抄袭，查很长时间资料才能解决问题。现在我把这环境搭建梳理一下，并给出一些问题的解决方法。
ubuntu18.04安装nvidia-docker
RayChiu757374816的博客
09-01 2873
nvidia-docker在ubuntu18.04上安装
DOCKER UBUNTU 配置
如果没有最优解，那就找到可行解
01-20 2483
1：DOCKER 深度学习环境基本要素 Docker部署深度学习服务器，CUDA+cudnn+ssh_铜锣烧阿南Anan的博客-优快云博客 2：安装python Docker下的ubuntu 安装python3.6 及pip3 - 简书 apt-get install python3.6 安装：apt-get install python3.6 查看所有连接： ls -l /usr/bin | grep python 删除现有连接：rm /usr/bin/python 建立新的连接：ln..
【Dokcer】如何在ubuntu18.04镜像中配置python3.8和pip
GooodPython的博客
02-16 1807
【Dokcer】如何在ubuntu18.04镜像中配置python3.8和pip 背景 在建立一个镜像时使用了 nvidia/cuda:11.1.1-cudnn8-devel-ubuntu18.04 ，使用时发现原生的python3.6与想下载的一个库不兼容，必须upgrade到python3.8。 通过RUN apt-get install -y python3-pip为基础尝试了许多办法，但是始终pip install的包会出错， 要么是下到/usr/local/lib/python3.6/dist-p
nnUNet的docker
dafeng_xiaobai的博客
05-26 495
nnUNet的docker 注意点：关于数据的Task21_kidneystone文件必须挂载到/root/tmp/下 1、在dockerhub上查询nvidia/cuda:10.2-cudnn8-devel-ubuntu18.04 ，版本号对应项目运行环境的需求 将其拉下来，sudo docker pull nvidia/cuda:10.2-cudnn8-devel-ubuntu18.04 ，成功后会有一个容器ID 2、查看拉下来的镜像，docker images -a 改镜像名字： docker
ubuntu18.04中基于Docker搭建tensorflow-gpu开发环境
error的博客
06-07 1246
前提条件就不多提啦，首先得装好nvidia驱动和Docker19以上版本，网上有很多教程。deepo是一个囊括几乎所有深度学习框架的开源镜像，这里我们选择拉取一个tensorflow-gpu版本的，避免占用储存过大。 多方查找原因无法解决，决定尝试另一种方法需要注意，选择的cuda版本需要满足宿主机的显卡驱动需求：官网 宿主机的驱动版本为，因此选用11.0的即可拉取镜像官方地址 这里选择，复制命令：镜像比较大，需要耐心等待，拉取中～ 拉取完成： 2 通过镜像建立容器 通过以下指令： 说明： ：以交互模型运
Dockerfile for cuda10.1-cudnn7-tenorrt6-opencv-numba
Papageno的博客
09-17 558
参见：GitRepo # docker build -t $YOURTAGNAME -f $DockerfilePATH . FROM nvidia/cuda:10.1-cudnn7-devel-ubuntu18.04 ENV TZ=Asia/Shanghai ENV DEBIAN_FRONTEND="noninteractive" # libllvm for llvmlite for numba RUN set -x; \ buildDeps1='python3-pip python3-de
dockerfile:tensorflow:cuda-7.5
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
05-25 400
# mbuckler/tf-faster-rcnn-deps # # Dockerfile to hold dependencies for the Tensorflow implmentation # of Faster RCNN FROM mbuckler/tensorflow:cuda-7.5 WORKDIR /root # Get required packages RUN apt-get...
docker配置ubuntu16.04+cuda10.1+cudnn7详解
a454193977的博客
05-27 5623
1、安装docker 卸载apt官方旧版本的docker： sudo apt-get remove docker docker-engine docker-ce docker.io 更新apt包: sudo apt-get update 安装以下包以使apt可以通过HTTPS使用存储库（repository）： sudo apt-get install -y apt-transport-https ca-certificates curl software-properties-commo..
Ubuntu18.04安装CUDA11.1+cudnn8.0.5
m0_71087087的博客
01-24 1094
我因为装过驱动了，所以驱动那个选项不选，其他全选了，然后就是选install，进行安装，一会就安装好了。选择，然后输入accept,进入安装选项 installer；代表选择，按enter键取消。
【Docker】基于Dockerfile创建携带最新cuda版本以及与其配套的cudnn环境的ubuntu20.04镜像
小明的博客
09-22 1422
最近涉及到一个在 x86 上机器上使用英伟达GPU资源做加速计算的项目，包括模型推理加速和编解码加速。为了保持两个模块开发cuda环境的一致性，故构建该基础镜像。
Ubuntu18.04+Docker+Cuda10.1+cudnn+pytorch+FastReID
pcb931126的博客
06-21 2551
一、安装Docker 参考博客：1.https://blog.csdn.net/eason_1221/article/details/103091046 2.https://blog.csdn.net/iefenghao/article/details/90747642 类似的博客还有很多 1.更新系统软件，并下载必要工具 $ sudo apt update $ sudo apt install apt-transport-...
基于python-cuda-nvidia-cudnn的dockerfile模板
u012483097的博客
11-08 820
基于python-cuda-nvidia-cudnn的dockerfile模板，这里介绍两种gpu的dockerfile模板和一个cpu的dockerfile模板： 基于centos（gpu）： FROM nvidia/cuda:9.0-cudnn7-devel-centos7 MAINTAINER yon@xxxx.com RUN yum -y install make wget \ && wget -O /et
宿主机 CUDA是11.0
最新发布
07-15
<think>我们已知宿主机CUDA版本为11.0，需要确保Ollama容器使用相同的CUDA版本以避免兼容性问题。 关键点： 1. 选择与宿主机CUDA版本匹配的基础镜像 2. 确保容器内的CUDA工具包版本为11.0 3. 验证Ollama在容器内运行时使用的是正确的CUDA版本 步骤： 1. 确定宿主机CUDA版本：11.0 2. 在Dockerfile中使用对应版本的CUDA基础镜像（例如：nvidia/cuda:11.0.3-devel-ubuntu18.04） 注意：镜像标签中的版本号要匹配，同时选择合适的基础操作系统（如Ubuntu 18.04或20.04） 3. 安装Ollama 4. 设置环境变量，确保CUDA路径正确 5. 构建并运行容器，验证CUDA版本 具体操作： 步骤1：编写Dockerfile 由于宿主机CUDA版本为11.0，我们选择NVIDIA官方提供的CUDA 11.0镜像。注意，我们选择devel版本，因为它包含开发工具（如nvcc）和运行时。 示例Dockerfile： ```dockerfile # 使用CUDA 11.0的基础镜像（这里以Ubuntu 18.04为例，因为CUDA 11.0支持Ubuntu 18.04） FROM nvidia/cuda:11.0.3-devel-ubuntu18.04 # 安装必要的依赖（包括curl等） RUN apt-get update && \ apt-get install -y curl && \ rm -rf /var/lib/apt/lists/* # 安装Ollama RUN curl -fsSL https://ollama.com/install.sh | sh # 设置环境变量（虽然基础镜像已经设置，但为了明确，可以再次设置） ENV PATH=/usr/local/cuda-11.0/bin${PATH:+:${PATH}} ENV LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} # 验证安装 RUN nvcc --version && ollama --version ``` 步骤2：构建镜像 ```bash docker build -t ollama-cuda11 . ``` 步骤3：运行容器（启用GPU） ```bash docker run -it --rm --gpus all -p 11434:11434 ollama-cuda11 ``` 验证容器内CUDA版本： 进入容器后，执行以下命令： ```bash nvcc --version ``` 应该输出类似： ``` nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2020 NVIDIA Corporation Built on Thu_Jul_23_19:41:42_PDT_2020 Cuda compilation tools, release 11.0, V11.0.194 Build cuda_11.0_bu.TC445_37.28540450_0 ``` 同时，运行Ollama模型时，可以通过日志查看是否使用了GPU加速。 注意事项： 1. 宿主机需要安装与CUDA 11.0兼容的NVIDIA驱动（通过`nvidia-smi`查看，要求驱动版本>=450.80.02） 2. 如果宿主机驱动版本过低，需要升级驱动以支持CUDA 11.0 3. 如果使用其他操作系统基础镜像，请确保选择与CUDA 11.0兼容的版本（如Ubuntu 18.04） 问题排查： 1. 如果容器内无法识别GPU，检查宿主机驱动和容器运行时环境（确保已安装nvidia-container-toolkit） 2. 如果CUDA版本不匹配，检查Dockerfile中基础镜像的标签是否正确 引用： 关于CUDA版本和驱动版本的兼容性，可参考NVIDIA官方文档[^1]。 相关问题： 1. 如何查看宿主机NVIDIA驱动支持的CUDA版本？ 2. 如何在多个CUDA版本共存的宿主机上指定容器使用的版本？ 3. Ollama模型在GPU加速下的性能指标有哪些？</think># 在宿主机CUDA 11.0环境下配置Ollama容器 要在宿主机CUDA 11.0环境下正确配置Ollama容器，需要确保容器内的CUDA版本与宿主机完全兼容。以下是详细步骤： ## 解决方案步骤 ### 1. 确认宿主机环境 ```bash # 查看宿主机CUDA版本 nvcc --version # 输出应包含：release 11.0 # 查看NVIDIA驱动版本 nvidia-smi # 输出顶部显示驱动版本，需兼容CUDA 11.0 ``` ### 2. 创建匹配的Dockerfile ```dockerfile # 使用与宿主机匹配的CUDA 11.0基础镜像 FROM nvidia/cuda:11.0.3-devel-ubuntu18.04 # 安装Ollama依赖 RUN apt-get update && \ apt-get install -y curl software-properties-common && \ rm -rf /var/lib/apt/lists/* # 安装Ollama RUN curl -fsSL https://ollama.com/install.sh | sh # 显式设置CUDA路径（重要！） ENV PATH="/usr/local/cuda-11.0/bin:${PATH}" ENV LD_LIBRARY_PATH="/usr/local/cuda-11.0/lib64:${LD_LIBRARY_PATH}" # 验证安装 RUN nvcc --version && ollama --version ``` ### 3. 构建和运行容器 ```bash # 构建镜像 docker build -t ollama-cuda11.0 . # 运行容器（启用GPU） docker run -it --rm \ --gpus all \ -p 11434:11434 \ ollama-cuda11.0 ``` ## 关键配置说明 1. **基础镜像选择**： - 必须使用`nvidia/cuda:11.0.3-devel-ubuntu18.04`确保CUDA版本匹配 - 标签中的`devel`表示包含开发工具包，这对Ollama运行是必需的 2. **环境变量显式设置**： ```dockerfile ENV PATH="/usr/local/cuda-11.0/bin:${PATH}" ENV LD_LIBRARY_PATH="/usr/local/cuda-11.0/lib64:${LD_LIBRARY_PATH}" ``` - 显式指定CUDA 11.0路径，避免容器内默认路径指向其他版本 3. **GPU兼容性检查**： - 宿主机驱动版本需≥450.80.02（CUDA 11.0最低要求） - 使用`nvidia-smi`确认驱动兼容性 ## 验证配置 在容器内执行： ```bash # 检查CUDA版本 nvcc --version # 应输出：Cuda compilation tools, release 11.0 # 检查Ollama是否识别GPU ollama run llama2 # 查看日志中是否有"GPU acceleration enabled"信息 # 检查GPU设备访问 nvidia-smi # 应显示容器内的GPU使用情况 ``` ## 常见问题解决 1. **版本不匹配错误**： - 错误信息：`CUDA driver version is insufficient for CUDA runtime version` - 解决方案：升级宿主机NVIDIA驱动至兼容CUDA 11.0的版本 2. **库路径冲突**： ```bash # 在容器内检查链接 ldd $(which ollama) | grep cuda # 确保所有cuda库指向11.0版本 ``` 3. **备选运行方式**（当基础镜像不兼容时）： ```bash docker run -it --rm \ --gpus all \ -v /usr/local/cuda-11.0:/usr/local/cuda \ -p 11434:11434 \ ubuntu:20.04 \ bash -c "curl -fsSL https://ollama.com/install.sh | sh && ollama run llama2" ``` - 通过卷挂载直接使用宿主机的CUDA 11.0安装 > 注意：Ollama官方从v0.1.23开始支持CUDA加速，请确保使用最新版本[^1]。 ## 性能优化建议 - 设置环境变量启用完整GPU加速： ```bash export OLLAMA_GPU_LAYERS=100 # 使用更多GPU层 ``` - 监控GPU使用： ```bash watch -n 1 nvidia-smi ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值