一、背景与需求

在机器学习、深度学习及高性能计算领域，GPU已成为不可或缺的加速工具。Docker Desktop作为一款流行的容器化开发环境，支持开发者在隔离的容器中运行应用，但如何让容器内的应用访问宿主机的GPU资源，成为许多开发者面临的挑战。本文将详细阐述如何在Docker Desktop中设置显卡，并实现容器对GPU的调用，帮助开发者高效利用硬件资源。

二、Docker Desktop显卡设置基础

1. 确认硬件与驱动支持

首先，确保你的计算机配备NVIDIA或AMD等支持CUDA或OpenCL的显卡，并已安装相应的显卡驱动。对于NVIDIA显卡，推荐使用NVIDIA官方驱动，并确保版本与CUDA工具包兼容。

2. 安装NVIDIA Container Toolkit（NVIDIA显卡用户）

对于NVIDIA显卡用户，需安装NVIDIA Container Toolkit，它允许Docker容器访问宿主机的NVIDIA GPU。

• Linux系统：通过包管理器安装nvidia-docker2包，或手动下载并安装NVIDIA Container Toolkit。
• Windows/macOS：Docker Desktop本身不直接支持NVIDIA GPU的直接访问，但可通过WSL2（Windows）或macOS的eGPU解决方案间接实现。不过，更常见的做法是在Linux虚拟机或物理机上运行Docker，以充分利用NVIDIA GPU。

3. Docker Desktop配置

对于Docker Desktop用户，若运行在Windows或macOS上，直接访问GPU可能受限。但可通过以下方式间接实现：

• 使用WSL2后端（Windows）：确保Docker Desktop配置为使用WSL2作为后端，并在WSL2中安装NVIDIA驱动和CUDA工具包。
• 远程Docker守护进程：在支持GPU的Linux机器上运行Docker守护进程，然后从Windows或macOS的Docker Desktop客户端连接到该守护进程。

三、Docker调用显卡的实践方法

1. 使用--gpus参数（Docker CLI）

在Linux环境下，使用Docker CLI启动容器时，可通过--gpus all参数将所有可用的GPU传递给容器。

docker run --gpus all nvidia/cuda:11.0-base nvidia-smi

此命令会启动一个基于NVIDIA CUDA 11.0基础的容器，并运行nvidia-smi命令显示GPU信息。

2. Docker Compose配置

在Docker Compose文件中，可通过runtime: nvidia（旧版）或deploy.resources.reservations.devices（新版，推荐）来指定GPU资源。

version: '3.8'
services:
  gpu_service:
    image: nvidia/cuda:11.0-base
    command: nvidia-smi
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

使用docker-compose up启动服务，容器将能够访问指定的GPU。

3. WSL2环境下的配置（Windows）

在Windows上使用WSL2作为Docker后端时，需在WSL2内部安装NVIDIA驱动和CUDA。

• 安装WSL2：确保Windows 10或11已启用WSL2功能。
• 安装Ubuntu等Linux发行版：从Microsoft Store安装。
• 在WSL2中安装NVIDIA驱动：遵循NVIDIA官方指南，注意选择与WSL2兼容的驱动版本。
• 安装CUDA工具包：在WSL2中下载并安装CUDA。
• 配置Docker Desktop：在Docker Desktop设置中，选择“Use the WSL 2 based engine”。

4. 验证GPU访问

启动容器后，可通过运行nvidia-smi（NVIDIA）或rocm-smi（AMD）等命令验证GPU是否被正确识别。

四、常见问题与解决方案

1. GPU不可见

• 检查驱动：确保宿主机上已正确安装显卡驱动。
• 检查Docker配置：确认Docker运行时配置正确，如使用了--gpus参数或正确的Docker Compose配置。
• WSL2特定问题：在WSL2中，确保已安装正确的NVIDIA驱动和CUDA，且Docker Desktop配置为使用WSL2后端。

2. 性能下降

• 资源限制：检查容器是否受到了CPU、内存等资源的限制。
• 驱动版本不兼容：确保宿主机和容器内的驱动版本与CUDA工具包兼容。

五、总结与展望

通过合理配置Docker Desktop及其后端环境，开发者可以轻松实现容器对GPU资源的访问，从而在隔离的开发环境中充分利用硬件加速能力。随着容器技术的不断发展，未来Docker对GPU的支持将更加完善，为机器学习、深度学习等领域带来更多便利。开发者应持续关注Docker及GPU技术的最新动态，以优化开发流程，提升项目效率。