企业官网建设流程全解析

深度学习项目的环境，不是简单的“拷贝代码”，而是要复制一整套生态系统：Python版本、CUDA版本、cuDNN、PyTorch/TensorFlow版本、各种依赖库的精确版本、环境变量……

哪怕两台电脑装的都是Windows，只要你没把环境完全对齐，代码就很可能跑不起来。

通俗比喻：搬家 vs 搬房子

把项目从一台电脑挪到另一台，普通项目就像搬家——把家具（代码）搬过去就行，因为新家格局（系统环境）差不多。

深度学习项目则像搬整个房子，连地基一起搬过去。因为：

• 你的代码可能依赖Python 3.10，而新电脑装了3.12

• 你的模型训练时用了CUDA 11.8，新电脑驱动可能只支持CUDA 12.x

• 你用pip install装了一堆库，具体版本号自己都记不清了

Docker 的做法是：把你的“房子”连同“地基”一起打包成镜像，到新电脑上直接还原。只要新电脑装了Docker，它就能原样复现你的环境。

具体怎么做：分步骤详解

第一步：在原电脑上，搞清楚你需要什么

你不需要把整个电脑打包，只需要打包和你项目相关的部分。先梳理清楚：

1. 代码和数据：你的.py脚本、模型权重（.pth）、训练数据放在哪个文件夹。

2. Python 版本：你当时用的是哪个Python？项目里有runtime.txt或.python-version吗？

3. 依赖包清单：在原电脑上跑这个命令生成清单：

   pip freeze > requirements.txt

   这会记下所有包及精确版本（例如torch==2.1.0+cu118）。

4. CUDA 版本：跑nvidia-smi看看右上角显示的 CUDA 版本，记住它——这决定了基础镜像选什么。

5. 显卡驱动：目标电脑只要装了足以支持这个 CUDA 版本的驱动就行，这个在Docker外面搞定。

第二步：给你写一份 Dockerfile（环境说明书）

这个文件告诉Docker“怎么搭你的房子”。我会先给一个GPU版本的，因为你做深度学习。

# 1. 选择带CUDA的基础镜像（底座），这里选CUDA 11.8 + cuDNN 8的开发版本 FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04 # 2. 装Python和你需要的系统包（比如git、wget） RUN apt-get update && apt-get install -y \ python3.10 python3-pip git wget \ && rm -rf /var/lib/apt/lists/* # 3. 把python3命令指向python（让你习惯用的命令生效） RUN update-alternatives --install /usr/bin/python python /usr/bin/python3.10 1 # 4. 设置工作目录（容器里的项目文件夹） WORKDIR /workspace # 5. 先只复制依赖清单，再安装——为了用Docker缓存加速后续构建 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 6. 把你的全部项目代码和数据复制进去 COPY . . # 7. 容器启动时执行的命令（改成你自己的，比如训练脚本） CMD ["python", "main.py"]

💡解释几个设计原因：

• 先COPY依赖文件再安装：Docker构建时每一行都是一层，如果代码变了但依赖没变，以前装好的层可以直接复用，不用重新下载几百兆的PyTorch。

• 用清华镜像源-i https://pypi.tuna.tsinghua.edu.cn/simple：在国内装PyTorch会快非常多。

• 基础镜像选了什么：如果你原电脑CUDA是11.8，就选对应的；PyTorch官网也有针对你CUDA版本的安装命令，把它们浓缩进requirements.txt里了。

第三步：写 .dockerignore 文件（必做！避免把垃圾打进去）

和Dockerfile同级目录，创建.dockerignore，内容类似：

__pycache__ *.pyc .git .vscode .idea *.pth *.ckpt data/raw_data

这能防止把模型权重、原始数据等巨大文件意外打包进镜像，导致镜像动辄几十GB。模型权重和数据，建议通过挂载卷的方式传入，不要打进镜像里。

第四步：在原电脑上构建镜像

打开PowerShell，进入项目根目录：

docker build -t my-dl-project:v1 .

完成后，你会看到一个属于自己的镜像：

docker images

第五步：把镜像搬到新电脑

方法有几种，对个人迁移最直接的是：

方案A：导出为文件，用U盘/移动硬盘拷贝

# 原电脑：导出镜像为tar包 docker save -o my-dl-project.tar my-dl-project:v1 # 把tar包拷到新电脑 # 新电脑：载入镜像 docker load -i my-dl-project.tar

方案B：推送到Docker Hub（如果镜像不太大且网络好）

docker tag my-dl-project:v1 你的用户名/my-dl-project:v1 docker push 你的用户名/my-dl-project:v1 # 新电脑直接 pull

第六步：在新电脑上运行

新电脑必须已经装好：

• Docker Desktop for Windows

• NVIDIA 显卡驱动（版本要≥你CUDA要求的那个）

• NVIDIA Container Toolkit（这是让Docker能用GPU的关键，装好后新电脑才能用GPU跑）

然后运行容器：

# --gpus all 让Docker能调用显卡 docker run --gpus all -it --rm my-dl-project:v1

整体流程总结图

下面这张图概括了从“梳理环境”到“在新电脑上跑起来”的整个 Docker 迁移流程。

最后几个关键提醒

1. 模型权重文件（.pth）不要打进镜像里。镜像应该只是“环境”，数据通过-v挂载进去：

   docker run --gpus all -v D:\我的模型:/workspace/models -v D:\我的数据:/workspace/data 项目名

2. 如果你训练需要多卡，--gpus all会自动识别新电脑上的所有兼容GPU。

3. 如果不想走Docker，还有更轻量的conda env export→conda env create流程，但它在Windows上复现GPU版本的成功率远不如Docker。