[Docker]基于nvidia/cuda镜像构造机器学习环境

酸菜一汤

已于 2024-02-04 15:41:58 修改

阅读量1.7k

点赞数 4

分类专栏：环境配置文章标签：机器学习人工智能

于 2023-07-08 17:10:10 首次发布

本文链接：https://blog.youkuaiyun.com/qq_42295103/article/details/131613846

版权

该文详细介绍了如何在Docker中拉取和创建基于nvidia/cuda的容器，包括选择不同版本的CUDA镜像，以及在容器内进行换源操作，如更换Ubuntu的apt源和Anaconda的conda源。此外，还涉及到了在环境中安装miniconda、创建conda环境、PyTorch的下载以及处理缺失依赖的问题，如安装LibGL。最后提到了如何打包和上传定制的Docker镜像。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

如题，直接上步骤，起初是因为做实验的时候版本冲突只能在cuda镜像上装，所以记录一下。参考了很多文章，但是分散在不同文章里，做个综合。

第一步：拉取nvidia/cuda镜像，创建容器

1. 找到对应版本拉取，网址：https://hub.docker.com/r/nvidia/cuda

docker pull nvidia/cuda:12.2.0-devel-ubuntu20.04

有三种版本，看了网上的说明，大概如下，按需下载即可：

- base：基于CUDA，包含最精简的依赖，用于部署预编译的CUDA应用，需要手工安装所需的其他依赖

- runtime：基于base，添加了CUDA toolkit共享的库

- devel：基于runtime，添加了编译工具链，调试工具，头文件，静态库。用于从源码编译CUDA应用。

2. 创建容器, 如需端口映射等，更详细docker命令见docker 常用命令大全_docker常用命令_保护我方胖虎的博客-优快云博客

docker run -it -d --gpus "device=0" --name name -v /path/to/your/workspace:/workspace nvidia/cuda:xxx /bin/bash

自行验证是否可以运行nvidia-smi，验证容器内的CUDA环境正常。如果报错可能是docker缺个补丁，这个百度一下既有。

第二步：一系列换源操作

1. 更换apt源,可以读一下这篇

新

最低0.47元/天解锁文章