前言
你是不是也遇到过这样的场景：

• 照着教程一步步配置环境，结果报错 CUDA version mismatch？
• 换一台电脑后，同样的代码就跑不起来了？
• 想尝试新模型，又怕把现有环境搞乱？

这些痛点，Docker 都能解决。无论你是AI新手还是老手，掌握Docker都能让你事半功倍。本文将从“为什么AI学习需要Docker”讲起，手把手带你快速上手，提供常用命令速查表、常见问题解决方案，并附三个必练实战项目（Nginx、MySQL、自打包应用），让你一次性掌握Docker核心技能。

---

📌 目录

1. 为什么AI学习者必须了解Docker？
2. Docker核心概念（极简版）
3. Docker快速上手（含GPU支持）
4. Docker常用命令速查（收藏用）
5. 常见问题及解决办法
6. 实战项目：三个必练的Docker上手项目
7. 总结

---

1. 为什么AI学习者必须了解Docker？

🔹 环境一致，告别“我这能跑啊”

AI项目依赖大量库：PyTorch、TensorFlow、CUDA、cuDNN……版本稍有不同就可能报错。Docker把整个环境（包括操作系统、驱动、代码）打包成一个镜像，在任何机器上运行结果都一样。

🔹 隔离依赖，多项目不打架

你想同时学习两个课程：一个用PyTorch 1.10，另一个用2.0。直接装在本机很容易冲突。Docker为每个项目创建独立容器，切换只需停止/启动容器。

🔹 简化GPU配置

配置NVIDIA驱动、CUDA、cuDNN对新手很不友好。Docker官方提供了nvidia/cuda基础镜像，已预装正确版本，你只需在此基础上安装PyTorch即可。

🔹 可复现研究

保存代码不够，环境变了结果就不同。Docker把环境+代码一起打包，任何时候运行都能复现。

🔹 方便分享与部署

训练好的模型，别人想测试？给他一个Docker镜像，他只需一条docker run命令就能运行，无需安装任何依赖。

---

2. Docker核心概念（极简版）

概念	解释	类比
镜像（Image）	只读模板，包含运行应用所需的一切	类（Class）
容器（Container）	镜像的运行实例	对象（Object）
Dockerfile	描述如何构建镜像的文本文件	配方
仓库（Registry）	存放镜像的地方（如Docker Hub）	GitHub

一句话：写 Dockerfile → 构建镜像 → 运行容器。

---

3. Docker快速上手（含GPU支持）

3.1 安装Docker

• Windows / Mac：下载 Docker Desktop 并安装。
• Linux (Ubuntu)：

  curl -fsSL https://get.docker.com -o get-docker.sh
  sudo sh get-docker.sh
  sudo usermod -aG docker $USER   # 免sudo运行
  

3.2 安装NVIDIA Container Toolkit（如需GPU）

# Ubuntu
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

3.3 运行第一个AI容器

# 拉取PyTorch官方镜像（带CUDA）
docker pull pytorch/pytorch:2.0.1-cuda11.7-cudnn8-runtime

# 运行容器，映射当前目录到/workspace，并使用GPU
docker run -it --gpus all -v $(pwd):/workspace pytorch/pytorch:2.0.1-cuda11.7-cudnn8-runtime bash

进入容器后，输入python，试试import torch; torch.cuda.is_available()，应该返回True。

3.4 写一个简单的Dockerfile

创建一个文件Dockerfile，内容如下：

FROM pytorch/pytorch:2.0.1-cuda11.7-cudnn8-runtime
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["python", "train.py"]

然后构建镜像：

docker build -t my-ai-app .

---

4. Docker常用命令速查（收藏用）

📦 镜像操作

命令	说明
docker pull <镜像名>	下载镜像
docker images	列出本地镜像
docker rmi <镜像ID>	删除镜像
docker build -t <名称> .	构建镜像（注意最后的点）

🚀 容器操作

命令	说明
docker run -it <镜像> <命令>	创建并启动容器（交互式）
docker run -d --name <容器名> <镜像>	后台运行
docker ps	查看运行中的容器
docker ps -a	查看所有容器（包括已停止）
docker stop <容器ID>	停止容器
docker start <容器ID>	启动已存在的容器
docker rm <容器ID>	删除容器（需先停止）
docker exec -it <容器ID> bash	进入运行中的容器

🔧 资源与GPU

命令	说明
--gpus all	docker run 参数，分配所有GPU
--gpus '"device=0,1"'	指定使用0号和1号GPU
-v 宿主机路径:容器路径	挂载目录（数据持久化）
-p 宿主机端口:容器端口	端口映射
docker logs <容器ID>	查看容器输出日志

🧹 清理

命令	说明
docker system prune	删除所有停止的容器、未使用的网络、悬空镜像
docker system prune -a	更彻底清理（包括所有未使用的镜像）

---

5. 常见问题及解决办法

🔹 安装类问题

1. Windows 上 Docker Desktop 启动失败，提示 “Hardware assisted virtualization and data execution protection must be enabled”

• 原因：未开启虚拟化或 Hyper-V 未启用。
• 解决：
  • 进入 BIOS 开启 Intel VT-x 或 AMD-V。
  • 以管理员运行 PowerShell，执行：

    Enable-WindowsOptionalFeature -Online -FeatureName Microsoft-Hyper-V -All
    

  • 重启电脑。

2. WSL2 安装后 Docker 无法启动

• 原因：WSL2 内核未更新或版本过低。
• 解决：
  • 下载并安装 WSL2 Linux 内核更新包。
  • 将 WSL2 设为默认版本：wsl --set-default-version 2。
  • 在 Docker Desktop 设置中确保 “Use WSL 2 based engine” 已勾选。

3. Linux 下 docker: permission denied

• 原因：当前用户不在 docker 用户组。
• 解决：

  sudo usermod -aG docker $USER
  newgrp docker   # 或退出重新登录
  

4. GPU 容器报错 docker: Error response from daemon: could not select device driver "" with capabilities: [[gpu]]

• 原因：未安装 NVIDIA Container Toolkit。
• 解决：参考上文 3.2 节安装 toolkit，并重启 docker 服务。

🔹 使用类问题

5. 拉取镜像太慢或超时

• 原因：默认 Docker Hub 在国外，网络不稳定。
• 解决：配置国内镜像加速器（阿里云、中科大等）。
  • Windows/Mac：Docker Desktop → Settings → Docker Engine，添加：

    {
      "registry-mirrors": ["https://mirror.ccs.tencentyun.com"]
    }
    

  • Linux：编辑 /etc/docker/daemon.json，同上，然后 sudo systemctl restart docker。

6. 容器内无法访问宿主机文件

• 原因：未挂载卷。
• 解决：运行容器时添加 -v /宿主机路径:/容器路径，例如：

  docker run -v /home/user/data:/data ...
  

7. 容器内无法连接宿主机服务（如数据库）

• 原因：容器网络隔离，localhost 指向容器自身。
• 解决：
  • Linux 下使用 --network="host" 共享宿主机网络。
  • 或使用特殊 DNS host.docker.internal（Windows/Mac 可用）。

8. 容器退出后数据丢失

• 原因：容器本身不持久化数据。
• 解决：使用 -v 挂载宿主机目录，或使用 Docker Volume：

  docker volume create mydata
  docker run -v mydata:/data ...
  

9. 如何进入已停止的容器查看文件？

• 解决：先启动容器：docker start <容器ID>，再进入：docker exec -it <容器ID> bash。或者直接 docker run -it --rm <镜像> bash 临时启动。

10. 容器内执行 nvidia-smi 报错

• 原因：未正确传递 GPU 或驱动不匹配。
• 解决：
  • 确保运行命令包含 --gpus all。
  • 检查宿主机 nvidia-smi 正常。
  • 确保容器镜像基于 CUDA 基础镜像。

🔹 镜像构建问题

11. COPY failed: file not found

• 原因：Dockerfile 中的路径相对于构建上下文（docker build 命令最后一个参数指定的路径）。
• 解决：确保被复制的文件在构建上下文目录内，且路径正确。通常将 Dockerfile 放在项目根目录，用 COPY ./file /dest。

12. 构建镜像时 pip install 非常慢

• 解决：在 Dockerfile 中使用国内 pip 源：

  RUN pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
  

13. 镜像体积太大

• 解决：
  • 使用多阶段构建（multi-stage build）。
  • 清理 apt 缓存：apt-get clean && rm -rf /var/lib/apt/lists/*。
  • 使用更小的基础镜像，如 python:3.10-slim 代替 python:3.10。

---

6. 实战项目：三个必练的Docker上手项目

理论学再多，不如动手练。以下三个项目覆盖了 Docker 最核心的使用场景：端口映射、数据持久化、镜像构建。跟着做一遍，你就能真正掌握 Docker。

📦 项目一：Nginx —— 跑一个静态网页，测试端口映射

目标：用 Nginx 容器托管一个自定义的 index.html，并通过端口映射在宿主机访问。

步骤

1. 创建本地网页文件
   在任意目录下新建 html 文件夹，里面放一个 index.html：

   mkdir -p ~/docker_test/nginx/html
   cd ~/docker_test/nginx/html
   echo '<h1>Hello from Docker Nginx!</h1><p>端口映射成功！</p>' > index.html
   

2. 运行 Nginx 容器并挂载网页文件

   docker run -d --name my-nginx -p 8080:80 -v ~/docker_test/nginx/html:/usr/share/nginx/html nginx:latest
   

   • -d：后台运行
   • --name my-nginx：容器名称
   • -p 8080:80：将宿主机的 8080 端口映射到容器的 80 端口
   • -v：挂载本地的 html 目录到 Nginx 的默认站点目录

3. 验证
   浏览器访问 http://localhost:8080，应该看到你写的网页。

4. 常用调试命令

   docker ps                 # 查看容器是否运行
   docker logs my-nginx      # 查看日志
   docker exec -it my-nginx bash  # 进入容器内部
   

---

🗄️ 项目二：MySQL —— 跑数据库，测试数据持久化

目标：运行 MySQL 容器，将数据库文件挂载到宿主机，即使删除容器数据也不丢失。

步骤

1. 创建本地数据目录

   mkdir -p ~/docker_test/mysql/data
   

2. 运行 MySQL 容器

   docker run -d --name my-mysql \
     -e MYSQL_ROOT_PASSWORD=123456 \
     -p 3306:3306 \
     -v ~/docker_test/mysql/data:/var/lib/mysql \
     mysql:8.0
   

   • -e MYSQL_ROOT_PASSWORD=123456：设置 root 密码
   • -p 3306:3306：映射端口（注意：如果宿主机已有 MySQL，需改端口，如 -p 3307:3306）
   • -v ~/docker_test/mysql/data:/var/lib/mysql：挂载数据目录

3. 测试数据持久化

   • 进入容器创建测试数据库：

     docker exec -it my-mysql mysql -uroot -p123456
     

     然后执行：

     CREATE DATABASE testdb;
     USE testdb;
     CREATE TABLE t (id INT);
     INSERT INTO t VALUES (1);
     EXIT;
     

   • 停止并删除容器：

     docker stop my-mysql
     docker rm my-mysql
     

   • 用同样的命令重新运行一个新容器（挂载同一个宿主机目录）：

     docker run -d --name my-mysql-new \
       -e MYSQL_ROOT_PASSWORD=123456 \
       -p 3306:3306 \
       -v ~/docker_test/mysql/data:/var/lib/mysql \
       mysql:8.0
     

   • 再次进入容器，查看数据库 testdb 和数据表是否还在。如果还在，说明数据持久化成功！

4. 使用客户端连接
   使用 Navicat、DBeaver 或命令行连接 localhost:3306，用户名 root，密码 123456，验证远程访问。

---

🏗️ 项目三：自打包项目 —— 构建自己的镜像（Java jar / HTML / Python）

目标：将自己的小项目打包成 Docker 镜像，并运行起来。

选项 A：打包一个静态 HTML 站点（最简单）

1. 准备文件

   mkdir ~/docker_test/my_site
   cd ~/docker_test/my_site
   echo '<h1>我的第一个 Docker 镜像！</h1>' > index.html
   

2. 编写 Dockerfile
   创建 Dockerfile 文件，内容：

   FROM nginx:alpine
   COPY index.html /usr/share/nginx/html/index.html
   EXPOSE 80
   

3. 构建镜像

   docker build -t my-html-site .
   

4. 运行容器

   docker run -d --name my-site -p 8888:80 my-html-site
   

   浏览器访问 http://localhost:8888，看到页面即成功。

选项 B：打包一个 Java Spring Boot jar 包

假设你有一个可运行的 app.jar。

1. 准备文件

   mkdir ~/docker_test/my_java_app
   cp /path/to/your/app.jar ~/docker_test/my_java_app/
   

2. 编写 Dockerfile

   FROM openjdk:17-jdk-slim
   WORKDIR /app
   COPY app.jar app.jar
   EXPOSE 8080
   CMD ["java", "-jar", "app.jar"]
   

3. 构建镜像

   cd ~/docker_test/my_java_app
   docker build -t my-java-app .
   

4. 运行容器

   docker run -d --name java-app -p 8080:8080 my-java-app
   

   根据你的应用实际端口调整 -p 映射。

选项 C：打包一个 Python Flask 应用

1. 准备文件
   app.py：

   from flask import Flask
   app = Flask(__name__)
   
   @app.route('/')
   def hello():
       return "Hello from Dockerized Flask!"
   
   if __name__ == '__main__':
       app.run(host='0.0.0.0', port=5000)
   

   requirements.txt：

   flask
   

2. Dockerfile

   FROM python:3.9-slim
   WORKDIR /app
   COPY requirements.txt .
   RUN pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
   COPY app.py .
   EXPOSE 5000
   CMD ["python", "app.py"]
   

3. 构建并运行

   docker build -t my-flask-app .
   docker run -d --name flask-app -p 5000:5000 my-flask-app
   

   浏览器访问 http://localhost:5000。

---

7. 总结

• Docker不是可选项，而是AI工程化的必备技能。
• 它解决了环境一致、依赖隔离、GPU配置、可复现、便捷分享等核心痛点。
• 学习成本不高：掌握核心概念 + 常用命令，就能极大提升开发效率。
• 建议从官方PyTorch镜像开始，逐步尝试编写自己的Dockerfile。
• 遇到问题时，先查本文第五部分的常见问题，通常能快速解决。
• 通过三个实战项目，你已经掌握了端口映射、数据持久化和镜像构建，可以独立用 Docker 跑起大多数应用。

📌 一句话：用Docker，让你的AI开发像搭积木一样简单、可靠。

如果你觉得本文有用，欢迎收藏、点赞、转发！后续还会分享更多AI工程化实战技巧。
如果你在学习过程中有遇到问题，欢迎关注私信交流，后续也会分享更多免费的AI学习资料。