【2025深度学习环境搭建-2】pytorch+Docker+VS Code+DevContainer搭建本地深度学习环境_docker拉取官方pytorch镜像

上一篇文章：【2025深度学习环境搭建-1】在Win11上用WSL2和Docker解锁GPU加速

• 先启动Docker！
• 对文件内容有疑问，就去问AI

一、用Docker拉取pytorch镜像，启动容器，测试GPU

docker pull pytorch/pytorch:2.5.0-cuda12.4-cudnn9-devel

docker run -it --rm --gpus all pytorch/pytorch:2.5.0-cuda12.4-cudnn9-devel nvidia-smi

别忘了用--gpus all启用GPU

能出现显卡信息，说明基于该镜像的容器，是可以用gpu的。之后要把这个镜像应用到到我们的开发环境之中（使用VS Code插件Dev Container）

二、安装VS Code插件

三、创建项目文件（测试pytorch和GPU的python程序）

项目文件的github地址

创建文件夹pytorch-test，并在其目录下创建如下文件夹和文件(主要创建app.py和.devcontainer就行，其他的随意)：

需要创建的文件，内容如下：

requirements.txt

这个文件内容为空

app.py

import torcha=[1,23,4,5,.4]def print_gpu_info(): # 检查CUDA是否可用 cuda_available = torch.cuda.is_available() print(f\"CUDA 是否可用: {cuda_available}\") if not cuda_available: return # 获取GPU数量 device_count = torch.cuda.device_count() print(f\"\\n可用的GPU数量: {device_count}\") # 打印每个GPU的详细信息 for i in range(device_count): print(f\"\\n=== GPU {i} ===\") print(f\"名称: {torch.cuda.get_device_name(i)}\") prop = torch.cuda.get_device_properties(i) print(f\"总内存: {prop.total_memory / 1024**3:.2f} GB\") print(f\"多处理器数量: {prop.multi_processor_count}\") print(f\"计算能力: {prop.major}.{prop.minor}\")def test_gpu_operation(): # 尝试在GPU上执行操作 if torch.cuda.is_available(): try: # 创建测试张量 x = torch.randn(3, 3).cuda() y = torch.randn(3, 3).cuda() z = x + y # 执行GPU计算 # 验证设备类型 print(\"\\n=== GPU 操作测试 ===\") print(f\"张量所在设备: {x.device}\") print(\"GPU 计算成功！\") return True except Exception as e: print(f\"\\nGPU 操作失败: {str(e)}\") return False else: print(\"没有可用的GPU进行测试\") return Falseif __name__ == \"__main__\": print(\"===== PyTorch GPU 信息 =====\") print_gpu_info() print(\"\\n===== GPU 功能测试 =====\") test_result = test_gpu_operation() print(\"\\n===== 最终状态 =====\") print(f\"GPU 是否可用: {torch.cuda.is_available()}\") print(f\"GPU 是否可用: {test_result}\") print(f\"PyTorch 版本: {torch.__version__}\")

.devcontainer/devcontainer.json

// For format details, see https://aka.ms/devcontainer.json. For config options, see the// README at: https://github.com/devcontainers/templates/tree/main/src/docker-existing-dockerfile{\"name\": \"GPU Development,torch2.5+cu124+cudnn9,Py3.11.10\",\"runArgs\": [\"--gpus=all\" // 添加 GPU 支持],\"build\": {// Sets the run context to one level up instead of the .devcontainer folder.\"context\": \"..\",// Update the \'dockerFile\' property if you aren\'t using the standard \'Dockerfile\' filename.\"dockerfile\": \"Dockerfile\"},\"customizations\": {\"vscode\": {\"extensions\": [\"ms-python.python\",\"ms-toolsai.jupyter\",\"ms-python.autopep8\",\"ms-python.vscode-pylance\",\"mechatroner.rainbow-csv\",\"ms-azuretools.vscode-docker\",\"ms-toolsai.datawrangler\"]}}// Features to add to the dev container. More info: https://containers.dev/features.// \"features\": {},// Use \'forwardPorts\' to make a list of ports inside the container available locally.// \"forwardPorts\": [],// Uncomment the next line to run commands after the container is created.// \"postCreateCommand\": \"cat /etc/os-release\",// Configure tool-specific properties.// \"customizations\": {},// Uncomment to connect as an existing user other than the container default. More info: https://aka.ms/dev-containers-non-root.// \"remoteUser\": \"devcontainer\"}

.devcontainer/Dockerfile

# 使用 PyTorch 官方镜像作为基础镜像FROM pytorch/pytorch:2.5.0-cuda12.4-cudnn9-devel# 设置工作目录（容器中的）WORKDIR /workspace# 将本地代码复制到容器中COPY . /workspace# 安装额外的依赖（如果有）RUN pip install --no-cache-dir -r requirements.txt# 暴露端口（如果有需要）# EXPOSE 8000# 定义容器启动时运行的命令# CMD [\"python\", \"app.py\"]

README.md

## pip环境导入导出从requirements.txt导入环境：`pip install --no-cache-dir -r requirements.txt`导出环境到文件requirements.txt：`pip freeze | grep -v \'@ file://\' > requirements.txt`

四、打开项目文件，并使用容器环境

在VS Code中打开项目文件

按下【F1】在上方选择【Dev Containers:Reopen in Container】

此时查看vscode左下角，蓝底白字，显示Dev Container: GPU Development,torch2.5+..，就说明我们现在的项目torch-test已经在使用刚才拉取的pytorch容器了！

在左边找到app.py，运行他，若显示可用gpu大于0，表示项目torch-test中的python程序可以使用gpu。之后我们需要运行深度学习程序时，使用这里的步骤即可，不需要安装额外的python环境了，若需要安装其他包，那就修改requirements.txt文件即可。

五、需要安装其他python包怎么办？

若我们需要其他python包，那就在终端直接安装，测试能用之后，用pip freeze | grep -v \'@ file://\' > requirements.txt将当前python环境中的包导出到文件requirements.txt中。
之后再启动项目时，Dev Container会自动帮我们根据文件requirements.txt安装环境。

清空文件requirements.txt中的内容，之后重新构建容器，即可得到一个原始镜像中的python环境

补充：如何重新构建容器

按【F1】，搜索【Dev Containers:Rebuild Container】

补充：在镜像中添加VS Code插件

可以在镜像中添加VS Code插件，之后每次构建，镜像都会自动安装插件，不用自己手动安装了

方法：右键单击插件，点击【Add to devcontainer.json】

参考

教程：使用 Visual Studio Code 创建 Docker 应用

借助 Visual Studio Code 将 Docker 容器用作开发环境