1、来到docker hub官网，查看有那些Nvidia 镜像
https://hub.docker.com/r/nvidia/cuda/tags?page=2&name=11.3
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：
编辑
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
比如选择：Anaconda3-2023.07-2-Linux-x86_64.sh
安装Anaconda3
进入下载文件的位置，打开终端terminal在文件目录下，使用bash 执行安装就可以啦：
bash Anaconda3-2023.07-2-Linux-x86_64.sh
安装过程：
1）输入回车键确认安装；
2）阅读Anaconda最终用户许可协议，按下回车浏览完信息；
3）问我们是否接受该协议，只能接受了，输入yes；（Do you accept the license terms? [yes|no]）
4）提示安装到以下位置，回车确认即可；（Anaconda3 will now be installed into this location:）
5）是否加入环境变量，通常是选择yes的；这个根据自己情况选择，如果经常用conda环境开发，建议选择yes（Do you wish the installer to initialize Anaconda3 in your /home/linuxidc/.bashrc ? [yes|no]）
开始安装页面
安装过程：
完成conda安装：
用另一个终端打开这个镜像创建的容器：
能看到能conda的初始环境了，说明conda安装成功啦。
