目录

一、安装Nvidia Docker

二、安装显卡驱动

1、安装驱动

2、检查显卡驱动版本

3、查询驱动版本和显卡相关信息

三、Docker hub安装pytorch和对应版本cuda

1、在Docker hub中查询对应版本镜像

​编辑2、查询pytorch/pytorch的镜像

3、devel版本和runtime版本的区别

4、拉取对应版本镜像

5、查看拉取完成的镜像

6、生成容器

四、进入容器并查询相关信息

1、进入容器

2、打印环境变量

3、查询本地安装的软件和程序

4、显示NVIDIA CUDA 编译器（nvcc）的版本信息

---

前期因为要安装东西需要cuda10+的环境，查了部分资料发现对这方面的介绍不是很详细，所以结合前期整理的笔记，写一个比较详细的纯小白教程。

还要特别注意的是：此版本为Ubuntu20.04，默认的python版本为3.10。

一、安装Nvidia Docker

可以直接参考另一篇教程Ubuntu20.04 Nvidia Docker 安装-CSDN博客，写的很详细。

注意安装完毕后再进行下一步。

二、安装显卡驱动

1、安装驱动

sudo apt list nvidia-driver*

2、检查显卡驱动版本

lspci -k | grep -A 2 -i "VGA"

将输出当前主机的显卡驱动版本和驱动程序的详细版本。

3、查询驱动版本和显卡相关信息

nvidia-smi

提示当前系统中的信息：

1. 显卡信息：显示系统中安装的 NVIDIA 显卡的详细信息，包括显卡型号、设备ID、总线ID等。

2. 驱动程序版本：显示当前系统中所使用的 NVIDIA 显卡驱动程序的版本号。

3. GPU使用情况：显示每个显卡的使用情况，包括GPU利用率、显存使用情况、温度、风扇转速等。

4. 进程信息：显示正在使用显卡资源的进程列表，包括进程ID、进程名称、GPU使用情况等。

5. 其他相关信息：还会显示一些其他的诊断信息，如显卡电源状态、PCIe链接状态等。

三、Docker hub安装pytorch和对应版本cuda

显卡驱动安装成功后：

1、在Docker hub中查询对应版本镜像

2、查询pytorch/pytorch的镜像

选择需要的版本

3、devel版本和runtime版本的区别

1. Devel版本（pytorch:2.0.1-cuda11.7-cudnn8-devel）：
   • Devel版本是用于开发和构建PyTorch的版本。
   • 它包含了用于编译和构建PyTorch库的开发工具和依赖项。
   • Devel版本通常用于构建自定义的PyTorch扩展、模型库或其他与PyTorch相关的软件。
   • 它包含了用于调试和开发的符号表和调试工具，可以帮助开发者进行错误排查和调试。
2. Runtime版本（pytorch:2.0.1-cuda11.7-cudnn8-runtime）：
   • Runtime版本是用于运行PyTorch应用程序的版本。
   • 它包含了PyTorch库和必要的运行时依赖项，但不包含开发工具和符号表。
   • Runtime版本通常用于在生产环境中部署和运行PyTorch应用程序。
   • 它不包含用于编译和构建自定义扩展或库的工具，因此不适用于开发新的PyTorch功能或调试代码。

总结：

Devel版本适用于开发者构建和扩展PyTorch，它包含了开发工具和依赖项，以及用于调试和错误排查的工具。Runtime版本适用于在生产环境中运行PyTorch应用程序，它只包含必要的运行时依赖项，不包含开发工具和符号表。【所以建议直接用devel版本的】

4、拉取对应版本镜像

我用的是pytorch:2.0.1-cuda11.7-cudnn8的devel版本，直接复制上述后面的命令行。

docker pull pytorch/pytorch:2.0.1-cuda11.7-cudnn8-devel

输出表明你已成功下载了pytorch/pytorch镜像的特定版本2.0.1-cuda11.7-cudnn8-devel到本地。可以使用该镜像来创建和运行基于PyTorch的容器。

• Pulling from pytorch/pytorch：表示正在从pytorch/pytorch镜像仓库中拉取镜像。
• Pull complete：表示已成功下载一个镜像层。
• Digest：表示镜像的摘要，用于唯一标识镜像的内容。
• Status: Downloaded newer image for pytorch/pytorch:2.0.1-cuda11.7-cudnn8-devel：表示已成功下载标签为2.0.1-cuda11.7-cudnn8-devel的pytorch/pytorch镜像。

5、查看拉取完成的镜像

docker images

6、生成容器

nvidia-docker run --gpus all -itd --name=alpa_test pytorch/pytorch:2.0.1-cuda11.7-cudnn8-devel

其中是命名叫alpa_test，可以使用容器ID或容器名称直接进入容器。

截止到这一步就可以直接使用带有cuda+pytorch的容器了。

四、进入容器并查询相关信息

1、进入容器

docker exec -it alpa_test bash

2、打印环境变量

echo $LD_LIBRARY_PATH

3、查询本地安装的软件和程序

ls /usr/local/

4、显示NVIDIA CUDA 编译器（nvcc）的版本信息

nvcc -V