关于pytorch这类大型框架的源码编译安装，从来都不是一件轻松的事情。

根据官方的文档（），从源代码安装需要Python 3.7或更高版本和一个C++14编译器，同时建议安装anaconda环境。N卡GPU版本需要cuda 10.2+cudnn7.6.5以及兼容cuda的编译器。大量的编译选项可以在setup.py（兼作选项说明）中设置，也可以直接设置环境变量。另外就是各种依赖。

采用Docker镜像作为构建环境看起来就是一个合理的选择，无论怎么折腾各种设置也不用担心破坏了正常工作环境。

寻找合适的镜像首先就是看看Hub上的pytorch官方镜像，地址：。源码编译要选标签有devel的，支持cuda 10.2+cudnn7.6.5的最新pytorch版本是1.9（pytorch/pytorch:1.9.0-cuda10.2-cudnn7-devel）。tensorflow也有自己的官方镜像，用于源码构建的镜像地址：，飞桨的镜像地址：，一并放在这里作为参考。

另一个选择是nvidia官方容器的pytorch镜像，地址：。镜像按例如23.06（年份.月份）的形式，具体支持的版本情况在。当然除了pytorch,其它主流框架也都有。根据cuda=10.2的要求，镜像版本是20.03，对应pytorch版本是1.5，tensorflow是2.1，飞桨最低版本2.3.2,对应镜像22.12，cuda版本是11.8。框架的版本都不太新。顺便提一下，飞桨在低算力显卡上除了某些函数直接报错算力不足以外，有些简单的张量运算虽然不报错，却可能出现错误结果，整体看对于旧卡宽容度更低一些。

通过框架源码提供的dockerfile自己构建镜像也可以。拉一个基础的镜像，按官方指南一步步安装依赖、工具以及源码同样也是可行的，麻烦一些，但是更灵活一些。毕竟官方镜像在配置镜像的时候不可能穷尽所有的组合，自定义自然更加容易满足特定的需求，当然构建过程中可能碰到的问题也会更多更复杂。现在的需求就是独显非常老旧，框架要求尽可能新，这种方式也就成了显而易见的选择。

nvidia也提供指定cuda版本的官方镜像，Hub上已经没有需要的10.2版本的了，好在NGC上还有，nvcr.io/nvidia/cuda:10.2-cudnn7-devel应该符合要求。docker pull下来，还要安装一下nvidia-container-runtime，这个取代了原来的nvidia-docker，都是用来辅助实现将nvidia的GPU驱动暴露给docker容器中的应用程序的，官方网址：。有了这个运行时的支持，在运行容器时，添加--gpus参数，并指定容器可以使用的GPU设备，比如：docker run --gpus all xxx/xxx:xxx，就是表示容器可以使用宿主机的所有GPU资源，当然现在也就这一个640m LE，而且还很老旧，管它呢，all就all了。

nvidia-container-runtime安装

接下来，启动容器，并执行nvidia-smi，docker run -it --gpus all nvcr.io/nvidia/cuda:10.2-cudnn7-devel nvidia-smi，得到和宿主环境一样的结果，第一阶段OK！