docker 环境安装
- 查看自己的电脑支持什么版本的cuda, 在命令行中输入：
nvidia-smi,在第一行中可以看到CUDA 的版本，比如我这里是13.0
- 打开docker镜像的地址,可以根据这个CUDA版本下载对应的docker镜像，这里有一点要说明，一般情况下是向下兼容的，比如你使用了13.0的镜像，你是能成功运行12.8版本的pytorch-cuda。不要担心。一定一定要注意，不要选比你本机大的镜像，比如本机是13.0的，你选个13.0.1,这是万万不行的。 镜像一般有两种：
| 种类 | 作用 |
|---|---|
| cuda版本号cudnn-runtime-ubuntu版本号 | 只使用cuda，而不开发cuda，体积小 |
| cuda版本号cudnn-devel-ubuntu版本号 | 需要开发cuda，体积大 |
我本人建议使用第二种，体积大点的，不是因为要开发docker，而是很多人开发pytorch的时候总是会引用第三方包，这些包会使用cuda本身。
- 运行镜像，生成容器：
docker run --gpus all -d docker.io/nvidia/cuda:13.0.0-cudnn-devel-ubuntu24.04 tail -f /dev/null
--gpus all 千万别忘记了，一忘一个不吱声！！！！！！！不加容器就用不了显卡。
tail -f /dev/null 运行的第一个命令也别忘记了，一忘一个不吱声！！！！！容器突然就没了！
- VS code 通过远程功能连接到容器
一般vs code 会贴心的帮你转发端口，不用再苦B的
-p了。
uv
主要就是pytorch的配置了。
[tool.uv.sources]
torch = [
{ index = "pytorch-cu130", marker = "sys_platform == 'linux' or sys_platform == 'win32'" },
]
torchvision = [
{ index = "pytorch-cu130", marker = "sys_platform == 'linux' or sys_platform == 'win32'" },
]
torchaudio= [
{ index = "pytorch-cu130", marker = "sys_platform == 'linux' or sys_platform == 'win32'" },
]
[[tool.uv.index]]
name = "pytorch-cu130"
url = "https://download.pytorch.org/whl/cu130"
explicit = true
安装依赖用uv sync就行。
