docker安装和使用

Docker 使用完整流程

1. 写代码
2. 写 requirements.txt
3. 写 Dockerfile
4. 写 .dockerignore
5. docker build 构建镜像
6. docker run 创建并运行容器实例
7. 本地测试是否正常
8. docker tag 改成 Docker Hub 名字
9. docker login 登录 Docker Hub
10. docker push 上传镜像
11. 其他电脑 / 服务器 docker pull 下载镜像
12. docker run 运行服务

1.装WLS步骤  https://docs.docker.com/desktop/features/wsl/

⚪Windows PowerShell出现的问题

安装最新的 PowerShell，了解新功能和改进！https://aka.ms/PSWindows

加载个人及系统配置文件用了 1659 毫秒。
(base) PS C:\Windows\System32> wsl --install
请求的操作需要提升。
已禁止(403)。
(base) PS C:\Windows\System32>

⚪这个命令必须用管理员权限运行。

已禁止(403)。
就是：系统拒绝了这次操作。常见原因有两个：

1. 你现在开的 PowerShell 不是“管理员身份运行”
2. 这台电脑被学校/公司策略限制了，普通用户不能启用 WSL、虚拟机平台之类的系统功能

你现在这个提示最常见的情况，就是：

你在普通 PowerShell 里运行了需要管理员权限的命令。

你可以这样做：

先关闭现在这个窗口，然后：

1. 点击开始菜单
2. 搜索 PowerShell
3. 右键 Windows PowerShell 或 终端
4. 选择 以管理员身份运行
5. 再执行

⚪为什么国外的梯子关了就可以下载wsl了

为什么“开梯子反而不行”

因为你一开梯子，系统请求可能变成这样：

你的电脑 → 代理/VPN 节点 → 微软服务

而不是：

你的电脑 → 微软服务

中间多出来的这个代理/VPN 节点，可能带来几种问题：

1. 出口 IP 不被接受
   有些服务会对某些代理/VPN 出口更严格，直接拒绝。403 本身就表示“服务器理解了请求，但拒绝授权这次访问”。关于 403 的这个一般含义，微软问答也用同样表述。

2. 系统级代理配置不匹配
   你浏览器能翻，不代表 PowerShell、Store、WSL 下载链路就完全按同样方式工作。微软的代理排查文档明确提到，PowerShell 之类的调用如果代理没有正确配置，就可能出现 403/407。

3. Microsoft Store 相关服务受影响
   微软社区和文档中的排障建议反复提到：Store 下载问题常见原因之一就是 VPN、代理、防火墙或第三方安全软件。

⚪在windows装WSL有什么作用，和liunx系统上比有什么区别？是不是在 Windows 上安装 Docker Desktop必须先装WSL，在liunx需要装desktop吗

WSL 的作用，是让你在 Windows 里直接拥有一个可用的 Linux 环境，所以你不用重装双系统，也不用单独开一台完整虚拟机，就能使用 Linux 命令、安装开发环境、运行很多原本更适合 Linux 的工具。它和真正的 Linux 相比，优点是安装方便、和 Windows 配合好、适合日常开发；区别在于它本质上仍然是运行在 Windows 之上的 Linux 环境，更适合开发学习，而真正的 Linux 更适合服务器和生产环境。

对于 Docker 来说，因为 Docker 底层更依赖 Linux 环境，所以在 Windows 上通常需要先装 WSL2，再装 Docker Desktop，让 Docker Desktop 借助 WSL2 来运行；而在 Linux 上，系统本身就已经是 Docker 需要的环境了，所以一般直接安装 Docker Engine 就可以，不一定非要装 Docker Desktop。

👉 Docker Desktop =（管理界面 + 工具） + Docker Engine（核心）

在 Windows / macOS 上：

Docker Desktop 并不是直接在系统里跑 Docker Engine，而是：

Docker Desktop
↓
WSL2 / Linux虚拟环境
↓
Docker Engine（真正干活的）
↓
containerd
↓
容器

也就是说：

• 你在 Windows 输入 docker run

• 实际执行的是：
  👉 WSL2 里的 Docker Engine

👉 Docker Engine 才是核心执行者

负责：

• 拉镜像（pull）

• 创建容器（run）

• 管理网络、存储

👉 Docker Desktop 只是“管理层”

负责：

• 提供 GUI（界面）

• 启动/停止 Docker

• 管理 WSL2

• 集成 Kubernetes（可选）

• 简化配置

🆚 和 Linux 的区别

Linux：

Linux
↓
Docker Engine
↓
容器

👉 没有 Desktop，也能完全运行

---

Windows：

Windows
↓
Docker Desktop
↓
WSL2（Linux）可用的 Linux 环境，
↓
Docker Engine
↓
容器

👉 必须绕一层

⚪✅ 第一步：重启电脑（非常关键）

你刚刚启用了系统组件：

VirtualMachinePlatform

👉 必须重启才生效

---

✅ 第二步：安装 Ubuntu

重启后执行：

wsl --install -d Ubuntu-22.04

或者先看有哪些：

wsl --list --online

---

✅ 第三步：第一次启动 Ubuntu

会让你设置：

• 用户名

• 密码

👉 到这一步才算真正“装好了 Linux”

---

✅ 第四步（可选）：再迁移到 D 盘

⚠️ 注意顺序：

👉 必须是：

先安装 → 再 export → 再迁移

不是你刚刚那样直接 export ❌

wsl --list --verbose
wsl --shutdown
mkdir D:\wsl
wsl --export Ubuntu-22.04 D:\wsl\ubuntu.tar
wsl --unregister Ubuntu-22.04
wsl --import Ubuntu-22.04 D:\wsl\ubuntu D:\wsl\ubuntu.tar --version 2
wsl -d Ubuntu-22.04

进入 Ubuntu 后验证：

df -h

先在 Windows PowerShell 里把已安装的 Ubuntu 导出成 .tar，再注销原来的发行版，最后用 wsl --import 重新导入到 D:\wsl\ubuntu，这样 WSL 的 Ubuntu 系统就从默认位置迁移到了 D 盘。

2. 第一步：安装 Docker Desktop

👉 双击这个 .exe 安装

安装过程中注意：

⚠️ 勾选这个（非常重要）：

• ✔ Use WSL 2 instead of Hyper-V（使用WSL2）

---

✅ 第二步：安装完成后打开 Docker Desktop

第一次启动会：

• 自动检测 WSL

• 自动接入 Ubuntu

---

✅ 第三步：配置 WSL 集成（关键步骤）

打开 Docker Desktop：

👉 Settings → Resources → WSL Integration

然后：

• ✔ 打开 Enable integration with my default WSL distro

• ✔ 勾选：Ubuntu-22.04

👉 这一步的意思：

让 Docker 可以直接在你的 Ubuntu 里使用

---

🔥 三、验证 Docker 是否成功（在 Ubuntu 里）

进入 Ubuntu：

docker version

如果成功，你会看到：

• Client

• Server

---

再运行：

docker run hello-world

👉 如果看到：

Hello from Docker!

说明：

👉 Docker 完全正常了 ✔

---

⚠️ 四、你现在有一个提示（重要）

你看到这个：

wsl: 检测到 localhost 代理配置，但未镜像到 WSL

👉 意思是：

你的 Windows 有代理（梯子），但没有同步到 WSL

---

🔧 解决建议（非常重要）

👉 两种选择：

✔ 方法1（简单）：

👉 关掉梯子再用 Docker（推荐新手）

⚪报错：For security reasons C:\ProgramData\DockerDesktop must be owned by an elevated account

✅ 方法二：删除残留目录（推荐）

1️⃣ 打开资源管理器

进入：

C:\ProgramData

👉 注意：这是隐藏目录

👉 地址栏直接输入：

C:\ProgramData

---

2️⃣ 删除：

DockerDesktop

如果有：

Docker

也可以一起删（不放心可以只删 DockerDesktop）

⚪迁移  Docker 镜像

第一步：打开 Docker Desktop

---

第二步：

点击：

Settings → Resources → Advanced

---

第三步：找到这个选项

Disk image location

---

第四步：修改路径

改成：

D:\docker-data

---

第五步：点击

Apply & Restart

🧠 你的最终结构应该是

D盘
│
├── wsl\ubuntu\
│     └── ext4.vhdx      ← 你的Ubuntu系统 ✔
│
├── docker-data\
│     └── DockerDesktopWSL\
│           ├── disk\    ← Docker数据（镜像/容器）✔
│           └── main\    ← Docker系统环境 ✔

3.从本地虚拟环境导出依赖

先打开 PowerShell，进入项目目录：

cd D:\github\DSNet-main

激活你的虚拟环境 DSNet。如果你的虚拟环境是普通 venv，一般类似这样：

D:\github\DSNet-main\DSNet\Scripts\activate

如果你的虚拟环境不在项目里，就激活你实际那个环境。

然后导出依赖：

pip freeze > requirements.txt

这样项目目录下就会生成一个 requirements.txt。

这里要注意

pip freeze 可能会把一些你本地环境里“其实和项目无关”的包也导出来。
所以后面如果 Docker 构建失败，常见原因就是：

• 某些包是本地路径安装的

• 某些 Windows 专用包不适合 Linux 容器

• 某些 CUDA 包版本不匹配

所以第一版先这样做，后面如果报错再精简。

4.写 Dockerfile

1.基础镜像

FROM nvidia/cuda:12.8.0-base-ubuntu22.04

基础镜像。从 NVIDIA 官方提供的镜像出发，包含：

• cuda 12.8.0：CUDA 工具包版本

• base：最精简版本，只含运行库，不含编译工具（还有 devel 含编译器、runtime 居中）

• ubuntu22.04：底层操作系统是 Ubuntu 22.04

• CUDA 镜像解决了什么？

  nvidia/cuda:12.8.0-base-ubuntu22.04 这个镜像里，NVIDIA 已经预装好了 CUDA 运行库，容器启动后系统里就有 libcuda.so、libcublas.so 等文件，PyTorch 能直接找到并调用。

• 还有一个条件：宿主机也要有对应驱动

  光有 CUDA 镜像还不够，运行容器的宿主机上必须安装了 NVIDIA 驱动，并且使用 nvidia-docker 或 --gpus all 参数启动容器，GPU 才能真正被容器使用：

  bash

  docker run --gpus all myimage python train_dsnet.py

2.apt 安装包时不要弹出交互式问题

---

ENV DEBIAN_FRONTEND=noninteractive

告诉 apt 安装包时不要弹出交互式问题（比如"请选择时区"），全部自动跳过。否则 Docker 构建时会卡住等待输入。

---

ENV PYTHONUNBUFFERED=1

Python 输出不缓冲，日志立即打印到终端，方便实时查看训练过程中的 loss 输出。

---

3.命令/包，安装python3.10

RUN apt-get update && apt-get install -y \
    python3.10 \
    python3.10-dev \
    python3-pip \
    libgl1 \
    libglib2.0-0 \
    && rm -rf /var/lib/apt/lists/*

命令/包	作用
apt-get update	刷新软件包列表，获取最新可安装版本信息
apt-get install -y	安装包，-y 表示全部自动确认
python3.10	Python 3.10 解释器本体
python3.10-dev	Python 开发头文件，某些包（如编译型扩展）安装时需要
python3-pip	pip 包管理工具
libgl1	OpenCV 依赖的 OpenGL 库
libglib2.0-0	OpenCV 依赖的 GLib 基础库
rm -rf /var/lib/apt/lists/*	清理 apt 缓存文件，减小镜像体积

---

4.Ubuntu 默认只有 python3、pip3 命令，没有 python、pip，不建软链接的话运行 python train.py 会报"命令不存在"。

RUN ln -sf /usr/bin/python3.10 /usr/bin/python && \
    ln -sf /usr/bin/pip3 /usr/bin/pip

ln -sf 是创建软链接（类似 Windows 快捷方式），-s 软链接，-f 强制覆盖已有链接。

命令	作用
ln -sf /usr/bin/python3.10 /usr/bin/python	让 python 命令指向 python3.10
ln -sf /usr/bin/pip3 /usr/bin/pip	让 pip 命令指向 pip3

Ubuntu 默认只有 python3、pip3 命令，没有 python、pip，不建软链接的话运行 python train.py 会报"命令不存在"。

---

5.在容器内创建 /app 目录并进入，后续所有操作都在这里进行。

WORKDIR /app

在容器内创建 /app 目录并进入，后续所有操作都在这里进行。

---

6.PyTorch GPU 安装

RUN pip install torch==2.9.1 torchvision \
    --index-url https://download.pytorch.org/whl/cu128

部分	作用
torch==2.9.1	安装指定版本的 PyTorch
torchvision	安装配套的视觉库
--index-url https://download.pytorch.org/whl/cu128	从 PyTorch 官方仓库下载，cu128 表示 CUDA 12.8 对应的 GPU 版本

PyTorch GPU 版不在普通 PyPI 上，必须指定这个地址，否则装的是 CPU 版。

---

7.本机的 requirements.txt 复制到容器的 /app/ 目录，pip install -r requirements.txt

COPY requirements.txt .

把本机的 requirements.txt 复制到容器的 /app/ 目录。单独先复制这一个文件是为了利用 Docker 分层缓存——只要依赖没变，这一层不会重新执行。

---

RUN pip install -r requirements.txt \
    -i https://pypi.tuna.tsinghua.edu.cn/simple

部分	作用
pip install -r requirements.txt	按照 requirements.txt 安装所有依赖
-i https://pypi.tuna.tsinghua.edu.cn/simple	使用清华镜像源，国内服务器上构建时大幅提速

---

8.把本机当前目录下所有项目文件复制到容器的 /app/ 目录，容器启动时默认执行的命令

COPY . .

把本机当前目录下所有项目文件复制到容器的 /app/ 目录。放在安装依赖之后，是因为代码改动频繁，这样改代码不会触发重新安装包。

---

CMD ["python", "train_dsnet.py"]

容器启动时默认执行的命令，直接开始运行训练脚本。注意这是默认命令，可以在 docker run 时覆盖，比如 docker run myimage bash 就会进入终端而不是直接训练。

⚪为什么要把代码也打进去

类比理解：

只装环境不装代码  =  买了一台装好 Python 的电脑，但没有程序
                    → 开机什么都运行不了

代码 + 环境一起打包  =  买了一台装好 Python 且程序已经在里面的电脑
                       → 开机直接能跑

Docker 的目标是交付一个完整的可运行程序，对方拿到镜像，直接：

docker run xieqihang/dsnet:v1.0

就能跑，不需要再手动复制代码、配环境。

---

容器内部结构

执行 COPY . . 之后，容器里的 /app 目录就是你本地项目的镜像：

容器内 /app/
├── train_dsnet.py        ← 你的训练代码
├── test_dsnet.py         ← 你的测试代码
├── models/               ← 模型定义
├── utils/                ← 工具函数
├── requirements.txt
└── ...

---

那数据集和权重呢

大文件不打进镜像，原因：

	代码	数据集/权重
大小	几MB	几GB甚至几十GB
变化频率	改动频繁	相对固定
做法	打进镜像	运行时用 -v 挂载

# 代码在镜像里，数据从外面挂载进去
docker run --gpus all \
  -v D:/github/DSNet-main/data:/app/data \
  -v D:/github/DSNet-main/checkpoints:/app/checkpoints \
  xieqihang/dsnet:v1.0

---

总结

打进镜像：  Python环境 + 依赖包 + 项目代码
挂载进来：  数据集 + 模型权重 + 输出结果

镜像 = 一个装好了代码和环境的"集装箱"
运行时再把数据"塞进去"

5.写 .dockerignore

在项目根目录创建 .dockerignore，排除不必要的大文件：

__pycache__/
*.pyc
*.pth
*.pt
data/
checkpoints/
logs/
results/
visualizations/
ablation_results/
bayesian_results/
tuning_results/
.git/
*.ipynb

6.构建镜像

docker build -t xieqihang/dsnet:v1.0 .

部分	含义
docker build	根据 Dockerfile 构建镜像
-t	tag，给镜像起名字（-t 是 --tag 的缩写）
xieqihang/dsnet:v1.0	镜像的完整名字
.	使用当前目录作为构建上下文

---

镜像名拆解

xieqihang / dsnet : v1.0
    │          │       │
    │          │       └─ 版本号（标签）
    │          └───────── 镜像名
    └──────────────────── Docker Hub 用户名（你的账号）

⚪解决方法：配置国内镜像源。 => ERROR [internal] load metadata for docker.io/nvidia/cuda:12.8.0-cudnn-devel-ubuntu22.04    

1. 打开 Docker Desktop

Settings → Docker Engine

2. 在 JSON 配置里加入镜像源

找到这个 JSON，添加 registry-mirrors：

json

{
  "builder": {
    "gc": {
      "defaultKeepStorage": "20GB",
      "enabled": true
    }
  },
  "experimental": false,
  "registry-mirrors": [
    "https://docker.xuanyuan.me",
    "https://dockerpull.org",
    "https://hub.uuuadc.top"
  ]
}

⚪问题2：缓存损坏

错误 failed size validation: 1371 != 1260 说明之前下载的缓存文件损坏了，需要清除：

docker builder prune -f

---

修复后重新构建

docker build --no-cache -t xieqihang/dsnet:v1.0 .

--no-cache 强制忽略缓存，从头重新拉取。

3. 点击 Apply & Restart

⚪是不是创建images必须从dockerhub里下载torch和cuda的镜像，不能在本地下载该torch和cuda

不是必须从 Docker Hub 下载

有几种方式可以把环境打进镜像：

---

方式对比

方式	原理	优点	缺点
从 Docker Hub 拉基础镜像	下载别人做好的镜像	省事，标准化	需要网络
从本地 conda 环境导出	把你已有的虚拟环境打进去	不用重新下载	需要额外处理
离线安装包	把 .whl 文件复制进容器	完全不依赖网络	需要提前准备安装包

---

你的情况：本地已有 DSNet 环境

可以直接把本地的包导出成 .whl 文件打进镜像，完全不需要联网下载。

第一步：导出本地所有包的 whl 文件

conda activate DSNet
mkdir wheels
pip download -r requirements.txt -d ./wheels
# torch 单独导出
pip download torch==2.9.1 torchvision==0.24.1 \
    --index-url https://download.pytorch.org/whl/cu128 \
    -d ./wheels

第二步：修改 Dockerfile 使用本地 whl

FROM ubuntu:22.04

ENV DEBIAN_FRONTEND=noninteractive
ENV PYTHONUNBUFFERED=1

RUN apt-get update && apt-get install -y \
    python3.10 \
    python3.10-dev \
    python3-pip \
    libgl1 \
    libglib2.0-0 \
    libsm6 \
    libxext6 \
    && rm -rf /var/lib/apt/lists/*

RUN ln -sf /usr/bin/python3.10 /usr/bin/python && \
    ln -sf /usr/bin/pip3 /usr/bin/pip

WORKDIR /app

# 复制本地 whl 文件
COPY wheels/ ./wheels/

# 从本地安装，完全不联网
RUN pip install ./wheels/*.whl --no-index --find-links ./wheels

COPY . .

CMD ["python", "train_dsnet.py"]

---

但还有一个问题

不管用哪种方式，基础镜像（第一行 FROM）都需要从 Docker Hub 拉取，比如 ubuntu:22.04 或 pytorch/pytorch:...。

除非你：

# 在能联网的机器上先拉好
docker pull ubuntu:22.04

# 导出成文件
docker save -o ubuntu22.tar ubuntu:22.04

# 在不能联网的机器上导入
docker load -i ubuntu22.tar

---

你现在最简单的方案

ubuntu:22.04 这个基础镜像非常小（约80MB），国内镜像源基本都有缓存，不会有之前 nvidia/cuda 那种损坏问题。

先测试：

docker pull ubuntu:22.04

⚪在 Git Bash 里，用的是 docker:desktop-linux。需要切换到 WSL Ubuntu 终端来执行。

---

操作步骤

1. 打开 WSL Ubuntu 终端

在 Windows 搜索栏搜索 Ubuntu，打开那个黑色终端（不是 Git Bash）

2. 切换到项目目录

bash

cd /mnt/d/github/DSNet-main

3. 确认 Dockerfile 在这里

ls Dockerfile

4. 执行构建

docker build -t xieqihang/dsnet:v1.0 .

---

怎么区分两个终端

特征	Git Bash	WSL Ubuntu
提示符	MINGW64 /d/github/...	xieqihang@xie666:~$
Docker 上下文	docker:desktop-linux	docker:default
pull 是否成功	❌	✅

之前你 pull 成功就是在 WSL Ubuntu 终端里操作的，build 也要在同一个终端里执行。

⚪问题就是 BuildKit 还要去联网验证，直接关掉它：

bash

DOCKER_BUILDKIT=0 docker build -t xieqihang/dsnet:v1.0 .

这样 Docker 会直接用本地已有的 pytorch/pytorch:2.9.1-cuda12.8-cudnn9-devel 镜像，不再联网验证

You said: 什么意思，为什么要联网验证，联网是什么意思？

什么意思，为什么要联网验证，联网是什么意思？

解析了Docker在线验证的含义和必要性。

为什么要联网验证

Docker 的 BuildKit 每次构建时，即使本地已经有镜像了，也会先去 Docker Hub 核对一下版本：

BuildKit 的逻辑：
"我本地有 pytorch:2.9.1 这个镜像，
但我要先问一下 Docker Hub：
这个镜像有没有更新过？
有没有新版本？"
         ↓
去访问 https://auth.docker.io  ← 这就是"联网"
         ↓
国内访问被墙 → 超时报错

---

"联网"是什么意思

就是 Docker 去访问 Docker Hub 的服务器（在美国），国内访问这个地址不稳定，经常超时：

你的电脑 → → → 防火墙拦截 → × Docker Hub（美国）

---

关掉 BuildKit 之后

老版本构建引擎的逻辑：
"本地有这个镜像？
有！
直接用，不问了。"
         ↓
完全不联网，直接构建

---

类比理解

BuildKit（新引擎）= 去超市买东西前，
                   先上网查一下有没有更新款
                   → 网断了就买不了

老引擎 = 直接去超市货架上拿
       → 本地有就直接用，不管网络

所以执行：

DOCKER_BUILDKIT=0 docker build -t xieqihang/dsnet:v1.0 .

⚪报错：现在卡在 apt-get update 这步，jammy-backports 源返回了 502 错误。

解决方法：换成国内 apt 源

修改 Dockerfile 的 Step 4 部分，在 apt-get 之前先换源：

FROM pytorch/pytorch:2.9.1-cuda12.8-cudnn9-devel

ENV DEBIAN_FRONTEND=noninteractive
ENV PYTHONUNBUFFERED=1

# 换成阿里云 apt 源，解决国内访问 ubuntu 官方源慢/失败的问题
RUN sed -i 's|http://archive.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list && \
    sed -i 's|http://security.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list

# 安装系统依赖
RUN apt-get update && apt-get install -y \
    libgl1 \
    libglib2.0-0 \
    libsm6 \
    libxext6 \
    git \
    wget \
    && rm -rf /var/lib/apt/lists/*

WORKDIR /app

# 第一步：安装 mmcv
RUN pip install mmcv-full==1.7.2 \
    -f https://download.openmmlab.com/mmcv/dist/cu128/torch2.9/index.html

# 第二步：安装其余依赖
COPY requirements.txt .
RUN pip install -r requirements.txt \
    -i https://pypi.tuna.tsinghua.edu.cn/simple \
    --ignore-installed mmcv-full

# 第三步：复制项目代码
COPY . .

CMD ["python", "train_dsnet.py"]

⚪为什么不推荐直接打包本地虚拟环境？

1. 操作系统不兼容

这是最大的问题。

你本地虚拟环境如果是在 Windows 创建的，那么里面很多东西是：

• Windows 路径

• Windows 的二进制文件

• .pyd / .dll

• Windows 版编译产物

而 Docker 里的镜像通常是 Linux。

所以你把本地虚拟环境直接复制进去，常见结果就是：

• 路径失效

• 动态库找不到

• torch / mmcv / opencv 导入失败

• 编译扩展不能用

也就是说：

Windows 的 venv 几乎不能直接拿到 Linux 容器里用。

---

2. 虚拟环境里有很多“写死的路径”

虚拟环境并不是只有包那么简单，它里面还常常包含：

• Python 解释器路径

• shebang 路径

• 激活脚本路径

• pip 和 python 的链接关系

例如本地可能写着：

D:\github\DSNet-main\.venv\Scripts\python.exe

进了容器以后根本不存在这个路径。

所以即使文件复制过去了，也未必真能用

7.本地测试镜像

简洁总结就是这几句：

你前两条命令已经证明：

• 镜像构建成功了

• 容器能启动

• PyTorch 正常

• GPU 也正常可用

三条命令分别是在做：

• docker run --rm xieqihang/dsnet:v1.0 python --version
  用来测试镜像和 Python 能不能正常启动

• docker run --rm --gpus all xieqihang/dsnet:v1.0 python -c "..."
  用来测试 torch 和 GPU 能不能在容器里用

• docker run --rm --gpus all -v /mnt/d/github/DSNet-main:/app xieqihang/dsnet:v1.0 python train_dsnet.py
  用来挂载你的本地项目目录，并正式运行训练脚本

每一部分解释

⚪1）docker run

启动一个新容器

---

⚪2）--rm

容器运行结束后自动删除

---

⚪3）--gpus all

把所有 GPU 给容器

所以你的训练脚本里显示

设备: cuda

这就是这个参数起作用了。

---

⚪4）-v /mnt/d/github/DSNet-main:/app

这是最关键的一个参数之一。

-v 是 volume mount，意思是：

把你宿主机上的目录挂载到容器里

格式是：

-v 宿主机路径:容器路径

你这里是：

• 宿主机路径：/mnt/d/github/DSNet-main
• 容器路径：/app

意思是：

把你 Windows D 盘里的 DSNet-main 项目目录，挂载到容器的 /app

现在真正的报错不是 Docker 出问题，而是：

你的代码里把数据集路径写成了 Windows 路径 D:\github\...，但容器里是 Linux 环境，只认 /app/... 这种路径。

所以现在要改的不是 Docker，而是训练代码里的数据路径。
应该把：

D:\github\DSNet-main\data\hanfeng\...

改成类似：

/app/data/hanfeng/...

或者直接改成相对路径：

data/hanfeng/...

8.登录 Docker Hub

❗核心问题

你现在问的是：

👉 docker login 时 Password 填什么？

---

✅ 正确答案

👉 这里不要填你账号密码！

👉 应该填的是：PAT（Personal Access Token）

---

🧠 为什么？

Docker 官方现在推荐：

👉 CLI 登录（终端登录）
👉 用 Token 替代密码

原因：

• 更安全

• 避免密码泄露

• Docker Desktop 自动生成的也是 token（你截图里已经有了）

---

🚨 关键问题（你现在卡住的原因）

你现在这个页面👇

👉 是“Edit token”（编辑页面）

❌ 这里看不到 token 的值
❌ 你也不能复制 token

---

✅ 正确做法（重新生成一个 Token）

⚪第1步：创建新的 PAT （登陆https://app.docker.com/accounts/2232182）

点击左侧：

👉 Personal access tokens

然后点：

👉 Generate new token

---

⚪第2步：填写

随便填：

• Name：dsnet

• Scopes：默认（Read, Write, Delete）✅

---

⚪第3步：创建后

⚠️ 关键点！！！

👉 会弹出一个 token：

xxxxxxxxxxxxxxxxxxxxxxxx

👉 必须马上复制！！！

因为：

❗关掉页面后就再也看不到了

---

⚪🚀 第4步：在终端登录

docker login -u 2232182

然后：

Password:

👉 粘贴刚刚复制的 token（不是密码！！！）

---

🟢 成功后会显示

Login Succeeded

---

⚪ 第5步：再 push

docker tag xieqihang/dsnet:v1.0 2232182/dsnet:v1.0
docker push 2232182/dsnet:v1.0

---

❗总结你现在的问题

你之前失败是因为：

👉 用了：

账号密码 ❌

👉 正确应该用：

PAT（token）✅

---

🧠 一句话总结

👉
docker login 的 Password 现在应该填“Token”，不是账号密码

9.推送镜像

⚪是重新生成一个带 Write 权限的 token。

操作就这几步：

1. 打开 Docker Hub 的账号设置，进入 Personal access tokens。
2. 新建一个 token。
3. 权限至少勾上：
   • Read
   • Write
   • Delete 可选
4. 创建后立刻复制这个 token。

⚪问题2：你看到“4个镜像是不是占4份空间？”

你看到：

2232182/dsnet:v1.0
xieqihang/dsnet:v1.0
xqh/dsnet:v1.0

👉 不是 3 份镜像！！！

---

🧠 关键判断标准

看这一列：

IMAGE ID
722177196d54

👉 三个名字 全部一样

---

✅ 正确理解

👉 这不是 3 个镜像，而是：

一个镜像
↑
被三个 tag（名字）指向

---

📦 为什么显示一样的 29.5GB？

因为 Docker CLI 是按“镜像名字”展示：

每个 tag 都显示一遍大小

但实际上：

👉 磁盘只占一份空间

---

🧠 类比

就像：

文件 A
↑
三个快捷方式

看起来像3个文件
其实只有1份数据

docker rmi xqh/dsnet:v1.0 （删除该tag）

10.查看搜索所有的市面镜像

⚪✅ 正确搜索入口（最简单）
在页面最上面的 “Search Docker Hub” 输入 pytorch → 点 pytorch/pytorch → 再点 Tags 找版本。

11.本地使用

⚪一、下载到本地（pull）

你之前用的镜像：

docker pull pytorch/pytorch:2.9.1-cuda12.8-cudnn9-devel

👉 作用：

• 从 Docker Hub 下载

• 存到你电脑里

---

✅ 下载完成后验证

docker images

看到：

pytorch/pytorch   2.9.1-cuda12.8-cudnn9-devel

✔ 说明已经在本地了

---

⚪🚀二、在本地运行（最关键）

---

✅ 1️⃣ 最简单测试（进容器）

docker run -it pytorch/pytorch:2.9.1-cuda12.8-cudnn9-devel bash

👉 作用：

• 启动容器

• 进入 Linux 环境

---

✅ 2️⃣ 如果用 GPU（你这种情况必须）

docker run -it --gpus all pytorch/pytorch:2.9.1-cuda12.8-cudnn9-devel bash

---

🔍 验证 GPU

进入后执行：

python -c "import torch; print(torch.cuda.is_available())"

👉 输出：

True

✔ GPU 正常

---

⚪ 三、运行你自己的项目（重点）

你之前 DSNet 用的是：

docker run --rm --gpus all -v /mnt/d/github/DSNet-main:/app \
2232182/dsnet:v1.0 python train_dsnet.py

---

🧠 解释一下

-v /mnt/d/github/DSNet-main:/app

👉 把你本地代码挂进容器

本地路径 → 容器里的 /app

---

⚪四、如果你想直接用官方 PyTorch跑代码

docker run --rm -it --gpus all \
-v /mnt/d/github/DSNet-main:/workspace \
pytorch/pytorch:2.9.1-cuda12.8-cudnn9-devel \
bash

进入后：

cd /workspace
python train_dsnet.py

---

❗常见坑（你之前已经遇到过）

❌ 数据路径错误（Windows路径）

D:\xxx ❌

👉 Docker 里必须用：

/mnt/d/xxx ✔

---

❌ GPU不生效

👉 要加：

--gpus all

---

❌ 没挂载代码

👉 要加：

-v 本地路径:容器路径

本地用 Docker 三步走：

# 1. 下载
docker pull xxx

# 2. 运行
docker run -it --gpus all xxx bash

# 3. 挂载代码运行
docker run --gpus all -v 本地路径:/app xxx python train.py

12.本地代码修改，如何在镜像中使用

下载镜像后，不等于代码被锁死。
你有两种方式：

方式 A：镜像里自带代码运行
这种适合“直接复现”，不方便边改边试。

方式 B：本地代码挂载到容器里运行
这种最适合你现在，本地改代码，容器立刻用新代码。

---

你刚刚上传的镜像里，代码是什么状态？

你 Dockerfile 里有：

COPY . .

这表示在 build 那一刻，把当时项目目录里的代码复制进镜像。

所以：

• 镜像里保存的是构建当时那一版代码

• 不是以后自动同步的代码

• 你后来本地再改，镜像里的旧代码不会自动变

也就是说，镜像更像一个“拍好的快照”。

---

下载镜像以后，还能不能改代码？

能。

关键在于你怎么运行。

---

⚪情况 1：直接运行镜像里的代码

比如：

docker run --rm --gpus all 2232182/dsnet:v1.0 python train_dsnet.py

这种情况下，容器直接用的是镜像内部那份旧代码。

所以如果你本地改了代码，这条命令看不到你的修改。

---

⚪情况 2：把本地代码挂载进去

比如：

docker run --rm --gpus all -v /mnt/d/github/DSNet-main:/app 2232182/dsnet:v1.0 python train_dsnet.py

这时候：

• 容器里的 /app

• 会被你本地的 DSNet-main 覆盖

也就是说，虽然镜像里原本也有代码，
但运行时实际用的是你本地最新代码。

所以你在本地改：

• 模型结构

• 训练脚本

• 配置文件

• dataset 代码

容器里都会立刻看到。

这就是你现在最该用的方式。

---

你问“是不是下载了源代码？”

严格说：

下载镜像，不等于下载一个方便编辑的源码文件夹。

镜像里确实包含代码，但它是放在容器文件系统里的，不像你本地项目目录那样方便长期编辑管理。

所以通常不推荐这样改：

• 先进容器

• 在容器里手动改代码

• 退出

因为这样改：

• 容器删了就没了

• 不好版本管理

• 不方便和本地同步

---

正确思路是什么？

你要把“镜像”和“代码”分开想

镜像负责：

• Python 环境

• PyTorch

• CUDA

• 依赖库

• 系统环境

本地代码负责：

• 你的模型

• 训练逻辑

• 配置

• 数据路径

• 你每天改的内容

这样最合理。

---

最适合你的工作流

第一种：开发阶段

本地改代码 + 挂载运行

命令类似：

docker run --rm --gpus all -it \
-v /mnt/d/github/DSNet-main:/app \
2232182/dsnet:v1.0 \
python train_dsnet.py

这样你每次改完本地代码，重新运行就行，不用重新 build。

---

第二种：定版阶段

当你代码改稳定了，再重新 build 一次：

docker build -t 2232182/dsnet:v2.0 .

然后 push 新版本：

docker push 2232182/dsnet:v2.0

这样镜像里才会更新成你最新代码。

---

什么时候需要重新 build？

只有这几种情况需要重新 build：

1. 你改了 Dockerfile

比如：

• 新装依赖

• 改基础镜像

• 改系统库

2. 你想把“最新代码”固化进镜像

比如准备上传给别人用

3. 你本地代码不想挂载，想完全靠镜像运行

---

什么时候不需要重新 build？

如果你只是改：

• train_dsnet.py

• model.py

• loss.py

• config.py

• dataset 代码

而且你运行时用了 -v 本地路径:/app

那通常不用重新 build。

---

你担心的那个点，直接回答

你说：

我下载这个镜像之后，是不是就不能修改代码了？

不是。
你完全可以继续改代码，前提是你要用挂载本地目录的方式运行，而不是只跑镜像内部那份代码。

---

你可以把它理解成这样

不挂载时

镜像里代码 = 一张照片
你本地后来怎么改，照片都不会变

挂载时

容器启动后直接看你本地文件夹
所以你本地一改，容器就读到新代码

---

给你最实用的建议

你现在最合适的方案是：

保留镜像作为环境
保留本地项目作为代码
运行时挂载本地项目进去

也就是继续用这种思路：

docker run --rm --gpus all -v /mnt/d/github/DSNet-main:/app 2232182/dsnet:v1.0 python train_dsnet.py