### 在 Ubuntu 上通过 Docker 镜像部署支持 GPU 的 Python 程序 #### 准备工作 为了在 Ubuntu 上成功部署支持 GPU 的 Python 程序，需要完成以下几个关键步骤： 1. **安装 Docker 和 NVIDIA-Docker** 如果当前系统未安装最新版的 Docker 或者尚未配置 NVIDIA-Docker 支持，则需按照以下流程操作。首先卸载旧版本的 Docker 并重新安装新版本[^3]： ```bash sudo apt-get remove docker docker-engine docker.io containerd runc sudo apt-get update sudo apt-get install -y docker-ce docker-ce-cli containerd.io ``` 接下来，安装 NVIDIA-Docker 及其依赖项以实现 GPU 加速功能[^2]: ```bash 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/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit sudo systemctl restart docker ``` 2. **拉取或构建支持 GPU 的基础镜像** 使用官方推荐的基础镜像 `nvidia/cuda` 来确保兼容性和性能优化。如果需要额外集成 PyTorch 或 TensorFlow 等框架，可以参考已有的成熟方案来定制化镜像。 下面是一个简单的例子展示如何基于 CUDA 构建一个包含特定 Python 版本和机器学习库的支持 GPU 的环境[^4]: #### 创建自定义 Dockerfile 编写如下内容到名为 `Dockerfile` 的文件中: ```dockerfile FROM nvidia/cuda:11.8-base-ubuntu20.04 # 设置时区为中国标准时间 CST (Asia/Shanghai) ENV TZ=Asia/Shanghai RUN ln -snf /usr/share/zoneinfo/$TZ /etc/localtime && echo $TZ > /etc/timezone # 更新 APT 软件包索引并安装必要的工具链 RUN apt-get update --fix-missing \ && DEBIAN_FRONTEND="noninteractive" apt-get upgrade -yq \ && DEBIAN_FRONTEND="noninteractive" apt-get dist-upgrade -yq \ && DEBIAN_FRONTEND="noninteractive" apt-get autoremove -yq \ && rm -rf /var/lib/apt/lists/* # 安装 Miniconda 作为虚拟环境管理器 ARG CONDA_VERSION="latest" RUN mkdir -p /opt/conda \ && cd /opt/conda \ && wget https://repo.continuum.io/miniconda/Miniconda3-${CONDA_VERSION}-Linux-x86_64.sh -O miniconda.sh \ && bash miniconda.sh -b -p /opt/conda \ && rm -f miniconda.sh ENV PATH="/opt/conda/bin:${PATH}" # 初始化 Conda 并创建一个新的 Python 环境 SHELL ["/bin/bash", "-c"] RUN conda init bash \ && source ~/.bashrc \ && conda create -yn pytorch_env python=3.9 -y \ && conda activate pytorch_env WORKDIR /workspace/ # 添加更多依赖项, 如 NumPy、Pandas、Matplotlib 等... COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt ``` 这里假设存在一个 `requirements.txt` 文件列出了所有必需的第三方模块清单。 3. **测试运行容器验证 GPU 功能正常运作** 构建完成后即可启动交互式的 shell 测试是否能够检测到物理显卡设备: ```bash docker run --gpus all -it your_image_name /bin/bash nvidia-smi # 应该可以看到正在工作的 GPU 设备信息 python -c "import torch;print(torch.cuda.is_available())" # 输出 True 表明一切就绪 ``` 以上即是在 Ubuntu 中利用 Docker 实现 GPU 加速开发所需的主要环节概述[^1]. ---