Docker主机仅安装NVIDIA驱动可行吗？CUDA容器部署疑问

我在Ubuntu 22.04主机服务器上部署多个机器学习Jupyter Notebook，对CUDA与Docker生态系统存在理解困惑，计划采用主机仅安装必要依赖、容器配置完整环境的方式，具体操作如下，想确认该方案是否可行，并请教两个问题：

主机端NVIDIA驱动安装计划 #

sudo apt-get install linux-headers-$(uname -r)
DISTRIBUTION=$(. /etc/os-release;echo $ID$VERSION_ID | sed -e 's/\.//g')
echo $DISTRIBUTION
wget https://developer.download.nvidia.com/compute/cuda/repos/$DISTRIBUTION/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda-drivers

sudo reboot

# 重启后验证CUDA驱动是否安装成功
nvidia-smi

容器端CUDA安装计划 #

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/3bf863cc.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda

方案可行性确认 #

该方案完全可行，这是NVIDIA容器化部署的标准最佳实践：主机仅负责提供GPU硬件驱动，容器内独立管理CUDA runtime/toolkit及其他机器学习依赖，既保证了主机环境的简洁性，又能让每个容器拥有独立、可复现的运行环境，非常适合部署多个不同版本需求的Jupyter Notebook。

疑问解答 #

1. 容器是否会使用主机系统的驱动？
   是的，容器会直接复用主机的NVIDIA驱动。NVIDIA容器运行时（nvidia-container-runtime）会自动将主机的驱动文件、GPU设备节点等挂载到容器内部，容器无需单独安装驱动，只需要安装与主机驱动版本兼容的CUDA组件即可。

2. 容器中仅安装cuda足够，还是需要安装包含更多附加包的cuda-toolkit？
   首先明确：cuda是一个元包，它默认包含cuda-toolkit以及其他相关组件（比如CUDA驱动，但容器内会自动跳过驱动安装）。

• 如果你的机器学习任务仅需要运行预编译的CUDA应用（比如PyTorch、TensorFlow等框架），安装cuda元包足够满足需求；
• 如果需要在容器内编译自定义CUDA算子或进行CUDA开发，则需要确保cuda-toolkit被正确安装——实际上cuda元包已经包含了它，不过也可以直接安装cuda-toolkit来减少不必要的依赖（避免元包带来的冗余组件）。

内容的提问来源于stack exchange，提问作者mCs