这里可以输入cuda的版本比如11.6，或筛选出相关的镜像：

https://hub.docker.com/r/nvidia/cuda/tags?page=1&name=11.6

旁边还有镜像名称的排序方式：

2、拉取镜像到本地

选择好想要的镜像，比如：11.3.1-cudnn8-devel-ubuntu20.04

点击右边的复制按键

复制到命令：

docker pull nvidia/cuda:11.3.1-cudnn8-devel-ubuntu20.04

然后到命令终端执行：

这时就开始把nvidia/cuda:11.3.1-cudnn8-devel-ubuntu20.04镜像，拉到本地啦，需要等待一会。

3、查看镜像，打开镜像

拉取镜像完成后，用docker images命令查看镜像的情况：

docker images

能看到nvidia/cuda:11.3.1-cudnn8-devel-ubuntu20.04镜像在本地了，镜像大小是8.95G。

打开镜像（常规模式–支持使用GPU）

docker run -i -t --gpus all nvidia/cuda:11.3.1-cudnn8-devel-ubuntu20.04  /bin/bash

打开镜像（增强模式–支持使用GPU、映射目录、设置内存）

docker run -i -t -v /home/liguopu/:/guopu:rw --gpus all --shm-size 16G nvidia/cuda:11.3.1-cudnn8-devel-ubuntu20.04  /bin/bash

平常进入了docker环境，然后创建或产生的文件，在退出docker环境后会“自动销毁”；或者想运行本地主机的某个程序，发现在docker环境中找不到。

我们可以通过映射目录的方式，把本地主机的某个目录，映射到docker环境中，这样产生的文件会保留在本地主机中。

通过-v 把本地主机目录 /home/liguopu/ 映射到docker环境中的/guopu 目录；其权限是rw，即能读能写。

默认分配很小的内参，在训练模型时不够用，可以通过参数设置：比如，我电脑有32G内参，想放16G到docker中使用，设置为 --shm-size 16G。

4、测试镜像cuda和cudnn

用nvidia-smi看看显卡信息

这里看到的CUDA Version: 11.4，是和主机一致的，但我们想要的是11.3，没关系继续往下看。

用nvcc -V 命令查看，才是实际的cuda版本，后面搭建深度学习环境，也是依赖这里的cuda 11.3。

用ls /usr/local/命令看看cuda安装路径

下面就开始搭建深度学习环境啦

5、安装conda环境

默认的系统镜像可能没有conda也没有python，我们可以安装Anaconda，来搭建深度学习环境

这里有两个下载地址可以选择，分别是官方下载地址、清华大学开源软件镜像站。

官方下载地址：Free Download | Anaconda

如果觉得官方地址下载慢，可以尝试下清华大学的下载地址：

清华大学开源软件镜像站：Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）