近期由于服务器升级，原本的docker系统被替换为apptainer系统，因此需要把容器迁移过去（毕竟很多环境配置还是比较麻烦）

一、什么是docker和apptainer

网上关于两者概念的对比很多，这里不念经，只提核心差异：Docker 采用守护进程（Daemon）模式，通常需要 root 权限，非常适合微服务部署；而 Apptainer（原 Singularity）采用‘用户空间’架构，你是什么用户跑容器就是什么用户，安全性极高，因此成为了目前高校和科研集群（HPC）的主流标配。本文主要聚焦纯实操，教你如何无痛迁移。

二、现有docker容器转到apptainer系统步骤

2.1 docker容器打包，生成一个.tar文件

#将容器提交成镜像(这个过程不需要停掉容器，并且不会对里面运行的程序产生影响，因为 commit只是对当前状态的容器进行一次快照)
# -p=false可以强制不暂停容器内的任务（一般不加也没问题，保险起见可以加上） 

docker commit  -p=false [container id] [image name]

#打包成.tar

docker save [image name] -o [name.tar]

2.2构建apptainer容器

（1）这里是以可写方式构建容器，因为需要进入容器进行环境安装和开发等工作。

#构建容器-需要更改容器内容
# --fakeroot 在容器里启用root用户，如不加则和宿主机用户一致
# --sandbox 沙盒模式，能够将容器文件建立为一个文件夹，而不是.sif文件
# test_dev_env 容器的目录，你在apptainer容器中的文件会放到这个目录

apptainer build --fakeroot --sandbox test_dev_env/ docker-archive://test.tar

（2）如果不需要更改容器里的内容会简单很多。

apptainer build hello_world.sif docker-archive://hello_world.tar

2.3 容器启动和操作

主要是记录如何使用apptainer容器，在远程服务器上像本地一样能够方便的使用集群的GPU，同时能够方便的配置自己所需要的环境。受apptainer的保护机制影响，当用户同时使用apptainer的–fakeroot和–writable参数时由于对宿主机的保护，所以一些底层的二进制代码不会载入到容器中，这就导致同时使用上面两个参数时不能再容器内访问CUDA，所以为了实现上面的目的主要分为下面两步：
（1）使用–writable和–fakeroot安装所需环境

#打开容器
# --writable 以可写方式进入容器，你可以在容器中进行环境安装等操作，但是不能执行需要用到GPU的代码
# 因为CUDA在这个模式下不会被加载
# Apptainer 出于安全考虑，默认不会自动帮你创建不存在的挂载点。建议进入容器前，先在宿主机执行

mkdir -p test_dev_env/target_path 

apptainer shell --fakeroot --writable --bind source_path:target_path test_dev_env

#激活conda，并安装依赖，但是不能访问CUDA
export PATH="/data/user_home/2024122008/anaconda3/bin:$PATH"
source /data/user_home/2024122008/anaconda3/etc/profile.d/conda.sh
conda activate your_env

# 比如更新你的库
pip install -r /data/user_home/2024122008/My_project/requirements.txt

注：在此模式下配好环境后，必须 exit 退出容器。

（2）使用–nv 访问CUDA

# --nv：核心参数，挂载宿主机 Nvidia 驱动，开启 GPU 支持
# -e：隔离宿主机环境变量，保证 Conda 等工具纯净运行

apptainer shell --nv -e --bind source_path:target_path test_dev_env

#如果使用了 -e 参数，则需要需要为当前环境指定路径
# 1. 将 Conda 强行加入容器当前的独立 PATH
export PATH="/data/user_home/2024122008/anaconda3/bin:$PATH"

# 2. 加载 Conda 的底层 shell 脚本
source /data/user_home/2024122008/anaconda3/etc/profile.d/conda.sh

# 3. 再次尝试列出环境
conda env list

#测试CUDA，如果显示显卡，则可以开始训练
nvidia-smi