用 Docker 复现科研环境：从论文代码到可运行实验的容器化部署教程
凌晨实验室里，最怕“在我电脑上能跑”
那晚是十一月，窗外的银杏叶被雨打得发亮，机房空调像一台低声播音机。我在复现实验代码，README 写得很轻巧：Python 3.8，PyTorch，run main.py。可真正动手时，CUDA 版本不对，NumPy 太新，Conda 解依赖解了四十分钟，最后只留下一个红色报错。科研最让人疲惫的，往往不是公式，而是环境。于是我后来给每个项目都做 Docker 镜像，把“能跑”从一台电脑搬进一个可复制的小房间。
这篇不是泛泛的 Docker 教程，而是面向论文复现、数据分析和开源项目协作的 Docker容器化部署科研环境教程。你可以把它用于 Python数据分析环境Docker部署、Jupyter Notebook Docker怎么用、论文代码复现Docker教程，甚至是带 GPU 的深度学习实验。
先把环境写成文件，而不是写在记忆里
假设你的科研项目目录如下：代码在 src，依赖写在 environment.yml，数据放在宿主机的 data 目录。第一步，创建一个可复现的 Dockerfile。这里我用 Miniconda，因为很多论文代码仍然依赖 Conda 包管理。
FROM continuumio/miniconda3:23.10.0-1
WORKDIR /workspace
COPY environment.yml .
RUN conda env create -f environment.yml && conda clean -afy
SHELL ["conda", "run", "-n", "research", "/bin/bash", "-c"]
COPY . .
EXPOSE 8888
CMD ["conda", "run", "--no-capture-output", "-n", "research", "jupyter", "lab", "--ip=0.0.0.0", "--allow-root", "--NotebookApp.token=research"]
对应的 environment.yml 可以这样写，版本尽量锁定，不要只写“最新”。我在复现一篇 2021 年的图神经网络论文时，PyTorch 1.10 换成 2.x 后指标直接漂移了 3% 左右，这种沉默的变化比报错更危险。
name: research
channels:
- pytorch
- conda-forge
dependencies:
- python=3.9
- numpy=1.23.5
- pandas=1.5.3
- scikit-learn=1.2.2
- jupyterlab=4.0.9
- pytorch=1.13.1
- pip
- pip:
- tqdm==4.66.1
构建镜像时运行：
docker build -t paper-env:0.1 .
我在一台 8 核 CPU、32GB 内存、校园网约 80 Mbps 的机器上测试，首次构建约 9 分 40 秒；第二次因为有缓存，只花了 38 秒。这个差异提醒我们：把依赖层放在复制代码之前，能显著加快迭代。
运行 Jupyter、挂载数据、启用 GPU
科研环境最常见的需求，是代码在容器里跑，数据仍留在宿主机。这样不会把几十 GB 数据打进镜像，也方便多人共享。启动命令如下：
docker run --rm -it \
-p 8888:8888 \
-v "$PWD/data:/workspace/data" \
-v "$PWD/results:/workspace/results" \
paper-env:0.1
浏览器打开 localhost:8888，token 输入 research。如果你做的是深度学习，先确认宿主机安装了 NVIDIA 驱动和 NVIDIA Container Toolkit，再用：
docker run --rm -it --gpus all \
-p 8888:8888 \
-v "$PWD/data:/workspace/data" \
paper-env:0.1
容器内检查 GPU：
python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"
如果输出 True 和显卡名称，说明 CUDA 通路正常。若报 nvidia-container-cli 相关错误，通常不是 Python 问题，而是宿主机 Docker 与 NVIDIA runtime 没接好；先在宿主机运行 nvidia-smi，再测试 docker run --rm --gpus all nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi。
如何验证它真的可复现
别只相信容器启动成功。真正的验证应该包括三件事：
- 运行
python -V、pip freeze | head、conda list | grep torch，确认版本与论文记录一致。 - 运行最小实验，例如
python src/train.py --epochs 1 --seed 42，看是否能在 1 个 epoch 内完整产出日志和结果文件。 - 删除容器后重跑：
docker run --rm ...。如果结果目录仍能生成同名日志，说明你的环境依赖没有藏在交互式操作里。
我习惯在项目根目录再放一个 Makefile，写入 make build、make lab、make test，这样师弟师妹接手时，不必猜命令。技术有时像夜路上的灯，不是为了炫目，而是为了让后来的人少摔一跤。
如果构建镜像时需要下载 Google Scholar 相关开源代码、GitHub 模型或论文附件，优先使用官方源、学校镜像站和开源社区加速方案；网络条件复杂时，也可以把 Roxi 作为其中一个访问辅助选项，但 Docker 环境本身仍应按上面的免费、可审计方式搭好。