📚 课程目录第4章容器化环境搭建

4. 容器化环境搭建

容器化，说白了就是把你的GPU环境打包成一个“快递箱”。

我刚开始做GPU集群时，最头疼的就是环境不一致。开发机跑得好好的，到生产环境就崩了。后来用了Docker，嗯，这问题基本绝迹了。

4.1 Docker安装与配置

先装Docker。不同系统命令不一样，我列个表给你参考：

操作系统	安装命令
Ubuntu 20.04+	`sudo apt install docker.io`
CentOS 7+	`sudo yum install docker`
官方脚本	`curl -fsSL https://get.docker.com \| bash`

装完后记得启动服务：

sudo systemctl start docker
sudo systemctl enable docker

小技巧： 把当前用户加入docker组，就不用每次sudo了。

sudo usermod -aG docker $USER

然后退出重新登录。

验证一下：

docker --version
docker run hello-world

看到“Hello from Docker!”就对了。

4.2 NVIDIA Container Toolkit

光有Docker还不够。要让容器里用上GPU，得装NVIDIA Container Toolkit。

为什么？因为Docker默认不认识NVIDIA驱动。这个工具就是搭桥的。

安装步骤：

# 添加NVIDIA仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# 安装
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# 重启Docker
sudo systemctl restart docker

注意： 我曾经遇到过装完nvidia-docker2后，旧容器启动报错。原因是Docker运行时配置变了。建议装完后重启所有容器，或者干脆重启机器。

验证GPU是否可用：

docker run --rm --gpus all nvidia/cuda:11.8-base nvidia-smi

看到GPU信息就说明通了。

4.3 拉取与运行官方镜像

NVIDIA官方提供了很多CUDA镜像。我一般去 Docker Hub 上挑。

常用镜像标签：

标签	说明	大小
`11.8-base`	最小化，只有CUDA运行时	~1.2GB
`11.8-runtime`	包含CUDA工具包	~2.5GB
`11.8-devel`	开发版，含头文件和编译器	~3.8GB

拉取命令：

docker pull nvidia/cuda:11.8-devel

运行容器：

docker run -it --gpus all --name my_cuda nvidia/cuda:11.8-devel bash

进去后可以跑个测试：

nvcc --version
nvidia-smi

  个人经验： 我习惯用devel镜像做开发，因为里面带了gcc和nvcc。但生产环境用runtime就够了，能省不少空间。

4.4 Dockerfile编写最佳实践

Dockerfile就是容器的“配方”。写得好，镜像小、构建快、安全高。

我总结了几条铁律：

选对基础镜像 —— 别用ubuntu:latest，用nvidia/cuda官方镜像
减少层数 —— 能用&&连起来的命令就别分开写
清理缓存 —— 装完包记得删/var/cache/apt
指定版本 —— 别用latest，哪天更新了你就哭了
多阶段构建 —— 编译和运行分开，最终镜像小很多

来看个实际例子。这是我给一个PyTorch训练任务写的Dockerfile：

# 第一阶段：编译
FROM nvidia/cuda:11.8-devel AS builder

WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# 第二阶段：运行
FROM nvidia/cuda:11.8-runtime

WORKDIR /app
COPY --from=builder /usr/local/lib/python3.8/dist-packages /usr/local/lib/python3.8/dist-packages
COPY . .

CMD ["python", "train.py"]

你看，第一阶段装依赖，第二阶段只拷贝产物。最终镜像只有1.5GB，比单阶段小了快一半。

避坑指南： 我曾经在Dockerfile里写RUN pip install torch，结果每次构建都重下。后来改成--no-cache-dir，构建速度快了3倍。

另一个常见坑是apt-get update和install分开写。这样每次修改都会重新update，浪费时间。正确写法：

RUN apt-get update && apt-get install -y \
    libgl1-mesa-glx \
    libglib2.0-0 \
    && rm -rf /var/lib/apt/lists/*

嗯，这样一层搞定，还清理了缓存。

4.5 本章知识体系

我把整个流程画了张图，方便你理解：

这张图把整个流程串起来了。从Docker安装开始，到NVIDIA工具包，再到拉取镜像和编写Dockerfile，最后得到一个可用的GPU容器环境。

你想想看，有了这套流程，团队里每个人都能在5分钟内搭好环境。再也不用“在我机器上能跑”这种鬼话了。

  总结一下：
  Docker是基础，装好配好用户权限
NVIDIA Container Toolkit是桥梁，让容器认识GPU
官方镜像省心，选对标签很重要
Dockerfile讲究技巧，多阶段构建是王道

好了，这一章就到这。记住，容器化不是目的，稳定可复现的环境才是。