我来帮你排查下这个问题——你遇到的GPU识别故障，核心是两个关键问题：容器运行时的配置缺失，以及镜像内不必要的组件安装导致的版本冲突。下面一步步帮你解决：

第一步：修正镜像构建脚本，移除冲突的安装命令 #

nvidia/cuda:10.0-cudnn7-devel这个官方镜像已经预装了适配CUDA 10.0的完整工具链，包括nvidia-smi所需的核心组件。你手动执行的：

RUN apt install nvidia-cuda-toolkit -y
RUN apt-get install nvidia-utils-410 -y

会引入不兼容的版本，直接破坏原有环境，这是导致nvidia-smi报错的主要原因。

正确的镜像构建示例： #

# 基础镜像使用官方CUDA 10.0 + cuDNN7开发版
FROM nvidia/cuda:10.0-cudnn7-devel

# 安装Python 3.6及依赖
RUN apt-get update && apt-get install -y \
    python3.6 \
    python3.6-dev \
    python3-pip \
    && rm -rf /var/lib/apt/lists/*

# 安装适配CUDA 10.0的PyTorch版本（1.2.0或1.3.1都是兼容的）
RUN pip3 install torch==1.2.0 torchvision==0.4.0

第二步：确保Docker环境配置了NVIDIA容器运行时 #

容器内的nvidia-smi和CUDA能正常工作，必须依赖NVIDIA Docker runtime，你需要完成以下配置：

• 卸载旧版的nvidia-docker（如果之前安装过）
• 安装nvidia-docker2包
• 重启Docker服务

配置完成后，必须用--gpus all参数启动容器，比如：

docker run --gpus all -it --rm your-built-image-name

第三步：验证GPU是否正常工作 #

进入容器后，先执行nvidia-smi，如果能正常显示GPU型号、驱动版本等信息，说明运行时配置没问题。接着启动Python，执行：

import torch
print(torch.cuda.is_available())

此时应该返回True。

额外注意点 #

• 你的宿主机NVIDIA驱动版本必须>=410.48（CUDA 10.0的最低要求驱动版本），否则容器内也无法识别GPU
• 不要随意修改官方CUDA镜像内的CUDA组件版本，官方镜像已经做了严格的版本适配，手动安装会导致不可预知的冲突

内容的提问来源于stack exchange，提问作者ALU