在Docker中启用GPU支持需宿主机安装兼容NVIDIA驱动（≥525）、配置nvidia-container-toolkit并重启Docker服务，再使用NGC官方CUDA镜像（如nvcr.io/nvidia/pytorch）运行容器，通过--gpus all参数调用GPU，容器内无需装驱动。
在Docker中运行深度学习环境并启用GPU支持，核心是使用NVIDIA官方提供的
（替代旧版nvidia-docker2），配合支持CUDA的镜像（如
或
）。关键前提是宿主机已正确安装NVIDIA驱动和CUDA Toolkit（仅驱动即可，Docker容器内自带CUDA运行时）。
宿主机环境准备：驱动与工具链
确保以下三项已就绪，否则GPU无法被容器识别：
NVIDIA显卡驱动已安装且版本兼容（建议≥525，可通过
验证）
安装
（Ubuntu/Debian示例）：
重启docker daemon：
拉取并运行预编译的GPU镜像
无需自己构建，直接使用NVIDIA NGC官方镜像最稳妥。例如启动PyTorch环境：
查看可用镜像：
（测试GPU可见性）
交互式运行带Jupyter的容器：
进入后执行
，浏览器访问
自定义Dockerfile（需GPU支持）
若需添加特定库（如detectron2、wandb），基于NGC基础镜像扩展：
首行必须为NGC镜像：
禁用
覆盖（NGC镜像已设好），避免破坏CUDA路径
安装Python包时用
减小镜像体积
构建命令：
；运行：
验证GPU是否真正生效
容器内运行以下命令确认深度学习框架调用的是GPU而非CPU：
PyTorch：
TensorFlow：
常见失败原因：宿主机驱动版本过低、
未加、容器内误装了CPU-only的PyTorch（如用pip重装）
不复杂但容易忽略：每次更新宿主机NVIDIA驱动后，必须重启docker服务；容器内无需安装驱动，只依赖宿主机驱动 + 容器内CUDA运行时（由NGC镜像提供）。
nvidia-container-toolkitnvcr.io/nvidia/pytorchnvcr.io/nvidia/tensorflownvidia-sminvidia-container-toolkitcurl -sL https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -sL https://nvidia.github.io/nvidia-docker/ubuntu20.04/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-container-toolkitsudo systemctl restart dockerdocker run --rm --gpus all nvcr.io/nvidia/pytorch:23.10-py3 nvidia-smidocker run --gpus all -it --rm -p 8888:8888 \
-v $(pwd)/notebooks:/workspace/notebooks \
nvcr.io/nvidia/pytorch:23.10-py3jupyter notebook --ip=0.0.0.0 --no-browser --allow-root --port=8888localhost:8888FROM nvcr.io/nvidia/pytorch:23.10-py3CUDA_HOMEpip install --no-cache-dirdocker build -t my-dl-env .docker run --gpus all -it my-dl-envpython -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.device_count())"python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"--gpus all