### 在Docker环境中安装PyTorch 为了在Docker容器内成功部署带有CUDA支持的PyTorch环境，可以遵循以下方法： #### 方法一：基于官方镜像创建自定义Dockerfile构建新镜像 通过访问[Docker Hub](https://hub.docker.com/)上的[NVIDIA CUDA PyTorch镜像页面][^1]来挑选合适的预配置好的基础镜像。这些镜像已经包含了特定版本的CUDA和cuDNN库以及相应的PyTorch框架。 编写`Dockerfile`文件用于定制化需求： ```dockerfile FROM nvidia/cuda:11.3.0-cudnn8-runtime-ubuntu20.04 # 设置工作目录 WORKDIR /workspace # 更新包列表并安装依赖项 RUN apt-get update && \ apt-get install -y --no-install-recommends \ python3-pip \ python3-dev \ git \ cmake \ build-essential \ libjpeg-dev \ zlib1g-dev \ curl \ ca-certificates \ && rm -rf /var/lib/apt/lists/* # 升级pip至最新版 RUN pip3 install --upgrade pip setuptools wheel # 安装指定版本的PyTorch及相关组件 RUN pip3 install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio===0.9.0 -f https://download.pytorch.org/whl/torch_stable.html # 配置Python路径和其他必要的环境设置 ENV PATH="/usr/local/nvidia/bin:${PATH}" \ LD_LIBRARY_PATH="/usr/local/nvidia/lib:/usr/local/nvidia/lib64" # 将当前主机中的项目源码复制到容器内的工作区 COPY . . CMD ["bash"] ``` 此脚本会拉取NVIDIA提供的含有CUDA 11.3和CuDNN 8的基础Ubuntu映像作为起点，并在其之上添加所需的软件包和支持GPU加速计算能力的PyTorch发行版。 #### 方法二：利用Anaconda管理工具直接在现有系统上操作 如果倾向于不改变底层操作系统的情况下快速搭建起开发平台，则可以选择采用Conda虚拟环境的方式来进行本地化的调整[^2]: ```shell source ~/.bashrc conda create --name myenv python=3.8 conda activate myenv conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch ``` 这种方法适用于那些希望简化流程而不必深入理解Docker内部机制的人群；然而需要注意的是它并不完全隔离于宿主机之外运行，因此可能不适合生产级别的应用场合。 #### 启动已有的Docker容器并与之交互 对于已经有现成可用的Docker容器的情况而言，可以通过下面命令启动该实例并且进入其Bash shell进行进一步的操作[^3]: ```shell docker start <container_id> docker exec -it <container_id> /bin/bash ``` 上述指令允许用户连接到正在运行的服务进程之中执行任意Linux Shell命令序列，从而实现对内部状态的监控或是调试目的等功能特性。