【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

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

pytorchGPU_3">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

在这里插入图片描述
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

在这里插入图片描述
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

在这里插入图片描述

pytorchGPUpython_29">三、创建项目文件（测试pytorch和GPU的python程序）

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)：
在这里插入图片描述

需要创建的文件，内容如下：

requirements.txt

这个文件内容为空

app.py

import torch
a=[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 Trueexcept Exception as e:print(f"\nGPU 操作失败: {str(e)}")return Falseelse: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
在这里插入图片描述
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。

在这里插入图片描述

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。