在Windows上开发深度学习项目，最后部署或迁移到Linux上跑。好消息是：Docker 做这件事几乎完美，因为容器内部就是Linux环境，你在Windows上构建的镜像，放到Linux上跑，天然无缝。

---

核心思路：一次打包，到处运行

你用Docker打包的镜像，里面装的是 Linux版的Python、Linux版的PyTorch、Linux版的CUDA库，不依赖你宿主机是Windows还是Linux。所以流程分为两大步：

1. 在Windows上，把项目做成Docker镜像

2. 把镜像搬到Linux服务器，用GPU跑起来

唯一不同的就是第二步的Linux环境准备。

---

第一步：在Windows上打包（和之前一样，快速回顾）

假设你已经按上轮说的，在项目根目录准备了三个文件：

Dockerfile（以PyTorch + CUDA 11.8为例）：

FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04

RUN apt-get update && apt-get install -y \
    python3.10 python3-pip git wget \
    && rm -rf /var/lib/apt/lists/*

RUN update-alternatives --install /usr/bin/python python /usr/bin/python3.10 1

WORKDIR /workspace

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

COPY . .

CMD ["python", "main.py"]

.dockerignore：

__pycache__
*.pyc
.git
*.pth
*.ckpt
data/

然后在PowerShell里构建并导出：

docker build -t my-dl-project:v1 .
docker save -o my-dl-project.tar my-dl-project:v1

---

第二步：在Linux服务器上恢复并运行

这是你需要重点看的新部分。

2.1 给Linux装好Docker

Ubuntu/Debian 系统：

# 官方一键安装脚本
curl -fsSL https://get.docker.com | bash

# 把当前用户加入docker组，免sudo
sudo usermod -aG docker $USER
# 退出重新登录生效

CentOS/RHEL 系统：

curl -fsSL https://get.docker.com | bash
sudo systemctl enable docker --now
sudo usermod -aG docker $USER

验证：

docker --version

2.2 给Linux装上NVIDIA Container Toolkit（让Docker能调用GPU）

这是最关键的一步，没有它，容器里就看不到显卡。

Ubuntu/Debian 安装：（推荐 nvidia 官方源）

# 添加nvidia官方仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# 安装
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker

CentOS/RHEL 安装：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.repo | sudo tee /etc/yum.repos.d/nvidia-docker.repo
sudo yum install -y nvidia-container-toolkit
sudo systemctl restart docker

验证GPU是否可用：

docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi

如果能看到类似你Windows上 nvidia-smi 的输出（显卡型号、驱动版本、CUDA版本），就说明Docker已经能调用GPU了。

2.3 把镜像导入Linux

把Windows上导出的 my-dl-project.tar 传到Linux服务器（用U盘、scp、或者网盘都行），然后在Linux上加载：

docker load -i my-dl-project.tar

验证：

docker images

你就能看到 my-dl-project:v1 了。

2.4 在Linux上用GPU跑你的项目

基本运行（直接执行CMD里写的命令，比如python main.py）：

docker run --gpus all --rm my-dl-project:v1

更实用的运行方式：挂载数据、进入交互终端

docker run --gpus all -it --rm \
    -v /home/你的用户名/data:/workspace/data \
    -v /home/你的用户名/models:/workspace/models \
    my-dl-project:v1 \
    bash

• -v 宿主机目录:容器内目录：把Linux上的数据目录挂进去，这样模型权重、训练数据就不用打进镜像里

• 最后加 bash：覆盖默认的CMD，让你先进终端手动执行

进去之后，你就可以像在Windows上一样运行：

python main.py
# 或者
python train.py --batch_size 32

---

第三步：Windows ↔ Linux 双向无忧的核心原理图

下面这张图清晰地展示了 Docker 如何抹平两个操作系统之间的差异，实现整个深度学习项目的平滑迁移。

---

一份可以直接在多平台使用的Docker Compose编排

如果你的项目变复杂了（比如需要配合MySQL、Redis一起跑），直接用Docker Compose，在Windows写的 docker-compose.yml 在Linux上也照用不误。

version: '3.8'
services:
  trainer:
    image: my-dl-project:v1
    runtime: nvidia
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
    volumes:
      - /home/用户名/data:/workspace/data
      - /home/用户名/models:/workspace/models
    command: python train.py --epochs 100
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]

在Linux上启动：

docker compose up

---

几个跨平台特别要注意的点

1. 路径分隔符：Windows路径是 D:\data\images，Linux是 /home/user/data/images。但在Docker里，容器内部永远用Linux风格 /workspace/data，你只需要在 -v 挂载时写对宿主机的路径就行。

2. GPU驱动：Linux服务器不需要装CUDA Toolkit本身，只需要装好NVIDIA驱动和nvidia-container-toolkit，容器内部镜像已经自带了正确的CUDA版本。

3. 文件权限：有时候Linux上挂载的目录会有权限问题，简单粗暴的做法是在Dockerfile里加一句 RUN chmod -R 777 /workspace，或者运行时加 -u root。

4. 如果你的Linux服务器是租的云GPU（比如AutoDL、矩池云）：它们通常已经内置了Docker和nvidia-docker，你只需要上传镜像或直接传tar包就行，不用自己装。