cuda docker

### 如何在Docker中配置和使用CUDA

#### 安装必要的组件

为了使 CUDA 能够在 Docker 中正常工作，需要先安装 `nvidia-container-runtime` 和其他依赖项[^2]。这一步骤确保容器能够访问主机上的 GPU 设备。

sudo apt-get update && sudo apt-get install -y \
    nvidia-driver-<version> \
    nvidia-docker2

上述命令会更新包列表并安装 NVIDIA 显卡驱动程序以及支持 Docker 使用 GPU 的工具链。

#### 构建带有 CUDA 支持的镜像

创建一个包含所需软件栈定义的文件名为 `Dockerfile` 文件，在其中指定基础映像为官方提供的预装有特定版本 CUDA 工具集的基础映像：

FROM nvidia/cuda:<cuda-version>-base
RUN apt-get update && apt-get install -y python3-pip
WORKDIR /app
COPY requirements.txt .
RUN pip3 install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python3", "main.py"]

此脚本基于选定版本的 CUDA 基础环境来设置 Python 解释器及其库，并复制应用程序源码到目标位置[^1]。

#### 启动具有 GPU 访问权限的容器实例

当一切准备就绪之后，可以利用如下指令启动一个新的交互式 shell 或者执行具体的应用逻辑：

docker run --gpus all -itd --name my_cuda_app <image-name>

通过参数 `--gpus all` 可让新创建出来的进程获得全部可用图形处理器资源；而 `-itd` 则表示以守护线程方式保持连接状态以便后续操作[^3]。

#### 测试 GPU 是否成功接入

进入正在运行中的容器内部验证是否能正常使用 GPU 加速功能：

docker exec -it my_cuda_app bash
nvidia-smi

如果显示了有关显存利用率等信息，则说明配置无误，现在可以在该环境中开发涉及深度学习框架或其他高性能计算任务的工作负载了。