misterlong/cuda

深度学习开发环境镜像

镜像概述和主要用途

本镜像基于Ubuntu 18.04 LTS操作系统构建，集成了CUDA 10.2、CuDNN 7.6.5、PyTorch 1.10和Miniconda3，提供预配置的GPU加速深度学习开发环境。适用于PyTorch框架下的模型开发、训练与调试，可直接用于深度学习项目快速启动，无需手动配置底层依赖。

核心功能和特性

• 基础系统：Ubuntu 18.04 LTS，提供稳定的操作系统环境
• GPU加速：集成CUDA 10.2和CuDNN 7.6.5，支持NVIDIA GPU加速计算
• 深度学习框架：预装PyTorch 1.10，支持主流深度学习模型开发
• 包管理：包含Miniconda3，方便Python环境管理和第三方库安装
• 开发工具：包含开发相关工具（编译器、调试工具等），支持源码编译和项目开发

使用场景和适用范围

• 深度学习研究者和开发者进行PyTorch模型的开发、训练与调试
• 需要基于CUDA 10.2环境运行的深度学习项目
• 团队协作中需要统一开发环境，避免依赖配置差异
• 快速原型验证和实验环境搭建

使用方法和配置说明

基本运行命令

需确保主机已安装NVIDIA Docker运行时（nvidia-docker）以支持GPU加速：

bash
docker run -it --gpus all --name pytorch-dev [镜像名称]:[标签] /bin/bash

挂载工作目录

将本地项目目录挂载到容器，实现文件共享：

bash
docker run -it --gpus all -v /本地项目路径:/workspace --name pytorch-dev [镜像名称]:[标签] /bin/bash

端口映射（运行Jupyter等服务时）

bash
docker run -it --gpus all -p 8888:8888 -v /本地项目路径:/workspace --name pytorch-dev [镜像名称]:[标签] jupyter notebook --ip=0.0.0.0 --allow-root

环境变量配置

通过-e参数设置环境变量（如Python路径、CUDA配置等）：

bash
docker run -it --gpus all -e PYTHONPATH=/workspace -v /本地项目路径:/workspace --name pytorch-dev [镜像名称]:[标签] /bin/bash

Conda环境管理

容器预装Miniconda3，可直接使用conda管理Python环境：

bash
# 创建新环境
conda create -n myenv python=3.8
# 激活环境
conda activate myenv
# 安装依赖
pip install [包名称]