Python/PyTorch开发中Anaconda对比Docker、宿主机部署的优势

针对Ubuntu 20.04下的开发场景，直接在宿主机安装Anaconda，相比使用Anaconda Docker镜像的方案有以下实际优势：

• 系统级依赖兼容性问题大幅减少。Docker的隔离机制默认不会复用宿主机的图形库、硬件驱动相关动态链接库，你遇到的OpenCV显示适配、Spyder启动缺libgl.so.1的问题，本质都是容器内缺少对应图形栈依赖、和宿主机X11显示服务通信配置繁琐导致的。这类问题哪怕通过挂载宿主机目录、在容器内补装deb包解决，后续也容易碰到版本不匹配、权限不足的衍生问题。宿主机安装Anaconda时，系统层面的libGL、显示服务、硬件驱动都是原生适配的，安装Spyder、OpenCV后直接就能启动，不需要额外做依赖补装和通信配置。
• PyTorch GPU调用链路更简单。Docker方案下要正常调用NVIDIA显卡，需要严格对齐宿主机驱动版本、容器内CUDA版本、nvidia-container-toolkit版本，任意一个版本不匹配就会出现CUDA调用失败的问题，还要额外配置GPU runtime参数。宿主机Anaconda环境下，只要宿主机NVIDIA驱动满足最低版本要求，直接通过conda安装对应版本的PyTorch、cudatoolkit就能正常调用GPU，不需要额外配置中间层，显卡性能损耗也更低。
• 开发工具和外设适配成本为零。不管是用Spyder、Jupyter这类自带UI的开发工具，还是调用摄像头、显示器、串口这类外设，或是对接VS Code等本地编辑器，宿主机Anaconda环境不需要做端口映射、设备挂载、权限放行这类额外配置，安装完成即可正常使用。处理大规模数据集时，宿主机环境的文件读写速度也比Docker挂载卷的方案快不少。
• 环境维护效率更高。日常开发过程中频繁创建虚拟环境、安装依赖、调整配置时，Docker方案需要修改Dockerfile重新构建镜像，或是在运行中的容器内操作后容易丢失配置，流程偏重。宿主机Anaconda直接通过conda create、conda install等命令就能完成环境管理，切换、导出环境都只需要一行命令，没有容器层的额外开销。

对于日常Python/PyTorch开发需求，直接在Ubuntu 20.04宿主机安装Anaconda完全可以提供比Docker方案更顺畅的开发体验，你之前遇到的两类典型适配问题在宿主机环境下基本不会出现。日常使用时注意给不同项目创建独立的conda虚拟环境隔离依赖，就能避免包版本冲突的问题。

补充：如果坚持用Docker方案解决libgl.so.1缺失问题，需要在构建镜像时安装libgl1-mesa-glx依赖，同时启动容器时挂载宿主机X11套接字并配置对应显示权限，但整体调试成本远高于直接使用宿主机Anaconda。

内容的提问来源于stack exchange，提问作者Robber Pen