构建GPU版DNN的Docker镜像时pip依赖报错及GPU环境疑问

一、requirements.txt错误修复 #

报错核心原因是同一行写入两个依赖包，且参数格式不符合pip要求。修改后的requirements.txt内容如下：

pandas
matplotlib
swig
-f https://download.pytorch.org/whl/cu100/torch_stable.html
torch==1.4.0
torchvision==0.5.0

关键说明：

• 每个Python依赖必须单独占一行，禁止将torch和torchvision写在同一行
• -f（或--find-links）参数单独成行，后续依赖会自动使用该源地址

二、Dockerfile中确保pip版本正确 #

你升级的是本地pip，但Docker构建过程使用的是基础镜像自带的pip，需在Dockerfile中先升级pip再安装依赖：

# 使用匹配CUDA 10.0的官方基础镜像
FROM nvidia/cuda:10.0-cudnn7-runtime-ubuntu18.04

# 安装Python基础工具
RUN apt-get update && apt-get install -y python3 python3-pip && rm -rf /var/lib/apt/lists/*

# 升级pip到指定稳定版本
RUN python3 -m pip install --upgrade pip==23.1.2

# 复制依赖文件并安装
COPY requirements.txt .
RUN python3 -m pip install -r requirements.txt

# 后续镜像构建步骤（如复制代码、设置启动命令等）

三、运行GPU版DNN的额外依赖 #

除Python包外，还需满足以下环境要求：

• 基础镜像必须包含CUDA和cuDNN：不能使用普通Python镜像，需选择NVIDIA官方提供的对应版本CUDA镜像（比如上述nvidia/cuda:10.0-cudnn7-runtime-ubuntu18.04），版本需与PyTorch要求的CUDA版本匹配（这里是cu100对应CUDA 10.0）
• Docker环境配置NVIDIA容器运行时：主机需安装对应版本的NVIDIA驱动，同时配置nvidia-docker2，确保容器能访问GPU硬件
• GPU可用性验证：容器启动后可执行nvidia-smi命令确认GPU被识别；Python代码中可通过torch.cuda.is_available()验证PyTorch是否能调用GPU

内容的提问来源于stack exchange，提问作者Hami