【Docker】在容器中使用 NVIDIA GPU

解决容器 GPU 设备映射问题，实现 AI 应用加速
🔗 官方文档：NVIDIA Container Toolkit GitHub

---

常见错误排查

若在运行测试容器时遇到以下错误：

docker: Error response from daemon: could not select device driver "" with capabilities: [[gpu]]
或
docker: Error response from daemon: unknown or invalid runtime name: nvidia

请按本教程完成 NVIDIA Container Toolkit 的安装与配置。

---

一、环境准备

1.1 验证 NVIDIA 驱动状态

nvidia-smi

预期输出（注意右上角显示的 CUDA 版本）：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 550.54.15    Driver Version: 550.54.15    CUDA Version: 12.4     |
|-------------------------------+----------------------+----------------------+

问题处理：

• 若命令未找到或提示驱动未安装，请访问 NVIDIA 驱动下载中心

• Ubuntu 快速安装驱动命令：

  sudo apt install nvidia-driver-550-server
  

---

二、安装 NVIDIA Container Toolkit

2.1 添加官方软件源

# 安装必要工具
sudo apt-get update
sudo apt-get install -y curl gnupg

# 导入 NVIDIA GPG 密钥
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
  sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

# 添加软件源（适配 Ubuntu 24.04）
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

2.2 安装 Toolkit 组件

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

📘 官方安装指南：NVIDIA Container Toolkit Installation Docs

---

三、配置 Docker 运行时

3.1 生成运行时配置

sudo nvidia-ctk runtime configure --runtime=docker

该命令会自动修改 Docker 配置文件 /etc/docker/daemon.json，添加以下内容：

{
  "runtimes": {
    "nvidia": {
      "path": "nvidia-container-runtime",
      "runtimeArgs": []
    }
  }
}

3.2 重启 Docker 服务

sudo systemctl restart docker

---

四、功能验证

4.1 运行 GPU 测试容器

docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi

关键验证点：

1. 容器内输出的 GPU 信息与宿主机 nvidia-smi 一致
2. 无任何错误提示

成功输出示例：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 550.54.15    Driver Version: 550.54.15    CUDA Version: 12.4     |
|-------------------------------+----------------------+----------------------+

---

五、高级配置技巧

5.1 指定 GPU 数量

# 仅使用 2 块 GPU
docker run --rm --gpus 2 nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi

# 按设备序列号指定
docker run --rm --gpus '"device=0,1"' nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi

5.2 持久化模式设置

# 启用持久化模式（防止 GPU 休眠）
sudo nvidia-smi -pm 1

🔧 GPU 管理工具：nvidia-smi 官方文档

---

六、使用场景

NVIDIA Container Toolkit 适用于以下典型容器化 AI 应用场景：

• ✅ 大模型推理部署：如部署 LLaMA、ChatGLM、BERT 等模型，使用 GPU 显著提升响应速度与并发处理能力。

• ✅ 深度学习训练任务：如使用 PyTorch、TensorFlow、JAX 等框架在容器中进行分布式训练，便于复现实验环境。

• ✅ 多模型并行服务：结合 --gpus 参数可以精确分配 GPU 资源，实现在单机多服务并行部署，提升资源利用率。

• ✅ 视频处理与 AI 编解码：结合 FFmpeg + CUDA / TensorRT 加速视频转码、超分辨率、目标检测等任务。

• ✅ 开发调试环境隔离：避免主机污染、实现多人多项目的 GPU 环境解耦，提升研发效率与可维护性。

---

七、总结

• Docker 原生不支持 GPU，需要借助 NVIDIA Container Toolkit 提供的运行时扩展 nvidia-container-runtime 实现 GPU 透传。

• 容器运行时可获得 几乎无性能损耗的 GPU 使用能力，适用于从研发到生产的多种场景。

• 配置过程主要包括三步：安装驱动 → 安装 Toolkit → 配置 Docker，每一步都可通过 nvidia-smi 验证效果。

• 支持灵活的 GPU 指定方式，便于构建资源隔离的 AI 工作负载。

💡 提示：Toolkit 安装后，docker run --gpus all 成为使用 GPU 容器的标准入口，请确保测试成功后再部署正式任务。