当然可行！在已经安装好Anaconda的Docker镜像里，用conda来安装PyTorch、torchvision这类组件是非常合理且常用的做法——conda本身就是为统一管理Python环境和依赖而生的，在Docker容器里使用它能帮你确保开发/运行环境的一致性，避免“在我机器上能跑”的尴尬问题。

关于你尝试的命令RUN /opt/anaconda/bin/conda install -y pytorch torchvision，这个操作方式是完全正确的：你指定了conda的绝对路径（确认路径无误的前提下），加上-y参数也能自动跳过安装确认，完美适配Docker构建时无交互的要求。不过这里有几个可以优化的点，让你的Dockerfile更简洁高效：

优化建议1：将conda加入环境变量 #

每次写全conda的绝对路径有点繁琐，可以在Dockerfile里先把conda的bin目录加入系统PATH，之后直接用conda命令即可：

# 假设你的基础镜像已经完成Anaconda安装
FROM your-anaconda-base-image

# 将conda的bin目录添加到环境变量
ENV PATH="/opt/anaconda/bin:$PATH"

# 直接使用conda命令安装PyTorch（CPU版示例）
RUN conda install -y pytorch torchvision cpuonly -c pytorch

注意：如果需要GPU版本的PyTorch，要调整安装命令，比如针对CUDA 11.8的版本：
RUN conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

优化建议2：用conda环境文件管理依赖 #

如果后续要安装更多组件，用environment.yml文件定义依赖会更清晰，也方便团队协作维护：

1. 先创建environment.yml文件：

name: ml-workspace
dependencies:
  - python=3.9
  - pytorch
  - torchvision
  - cpuonly
  - pip

2. 在Dockerfile中引用这个文件：

COPY environment.yml /tmp/environment.yml
RUN conda env create -f /tmp/environment.yml

# 激活环境并添加到系统PATH
RUN echo "source activate ml-workspace" >> ~/.bashrc
ENV PATH="/opt/anaconda/envs/ml-workspace/bin:$PATH"

优化建议3：优化Docker构建缓存与网络 #

• 尽量把conda install这类可能频繁变化的命令放在Dockerfile靠后的位置，这样前面的步骤可以复用构建缓存，加快镜像构建速度。
• 如果遇到conda下载慢的问题，可以切换国内镜像源，比如清华镜像：

RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
RUN conda config --set show_channel_urls yes
RUN conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

总之，你最初的命令是有效的，上面的优化只是让你的Dockerfile更规范、易维护而已。

内容的提问来源于stack exchange，提问作者user3047641