timerring
·
在Docker中使用GPU
💡
原文英文，约700词，阅读约需3分钟。
📝
内容提要
本文介绍了在Docker中使用GPU的步骤，包括安装NVIDIA驱动和CUDA工具包，设置环境变量，安装nvidia-container-toolkit以挂载GPU设备，以及通过--gpus参数启动容器以进行计算。
🎯
关键要点
- 在Docker中使用GPU的步骤包括安装NVIDIA驱动和CUDA工具包。
- 安装NVIDIA驱动后，需要设置环境变量，包括将CUDA路径添加到PATH和LD_LIBRARY_PATH。
- 安装nvidia-container-toolkit以挂载GPU设备，并重启Docker服务。
- 通过--gpus参数启动容器，可以分配所有GPU或特定GPU给容器。
- 使用nvidia/cuda镜像时，无需在主机上安装CUDA。
❓
延伸问答
如何在Docker中安装NVIDIA驱动和CUDA工具包？
首先下载对应的NVIDIA驱动并运行安装文件，然后下载CUDA工具包并安装，确保将CUDA路径添加到环境变量中。
在Docker中如何设置环境变量以使用CUDA？
需要将CUDA的bin目录添加到PATH中，并将lib64目录添加到LD_LIBRARY_PATH中。
如何安装nvidia-container-toolkit以挂载GPU设备？
可以通过运行nvidia-ctk命令来安装nvidia-container-toolkit，并重启Docker服务以使更改生效。
如何通过Docker启动使用GPU的容器？
使用--gpus参数启动容器，可以分配所有GPU或特定GPU给容器，例如使用命令'docker run --rm --gpus all nvidia/cuda:12.0.1-runtime-ubuntu22.04 nvidia-smi'。
使用nvidia/cuda镜像时，主机上需要安装CUDA吗？
不需要，使用nvidia/cuda镜像时，CUDA已经包含在镜像中，无需在主机上安装。
如何检查CUDA环境是否正常工作？
可以通过运行一个简单的PyTorch程序来检查CUDA环境，确保CUDA设备可用并输出相关信息。
➡️
