Docker部署可复现科研环境教程：从Python、Jupyter到GPU实验完整跑通
凌晨两点，实验环境比模型更先崩掉
那晚实验室的空调有一点旧，风吹出来带着灰尘和金属味。屏幕上第六次出现“ModuleNotFoundError”，而我手边的咖啡已经凉了。论文里的模型明明只有十几行启动命令，可真正复现时，Python版本、CUDA版本、包依赖像一串彼此不肯让路的夜车。你有没有也在想：科研到底是在验证假设，还是在和环境搏斗？
后来我开始把每个项目都装进Docker容器。不是为了追赶潮流，而是为了让三个月后的自己、合作者、审稿人，能在同一片“空气”里重新运行实验。下面这份Docker容器化科研环境教程，是我在多个NLP和生信项目里反复整理出的最小可用做法，适合搜索“Docker科研环境搭建”“Jupyter Docker怎么用”“Docker GPU科研环境配置”的读者直接照做。
先把环境写成文件，而不是写在记忆里
免费且官方的路线很清楚：安装Docker Desktop或Linux上的Docker Engine；如果需要GPU，再安装NVIDIA Driver和NVIDIA Container Toolkit。它们的限制也真实存在：Windows文件挂载有时较慢，国内拉取镜像可能波动，CUDA镜像体积常超过4GB。我在一台Ubuntu 22.04、RTX 3090、校园网约80 Mbps下载速度的机器上测试，首次拉取pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime大约用了9分钟，构建项目镜像约2分钟。
建议项目目录这样放：project/下面有Dockerfile、requirements.txt、notebooks/、data/、src/。先写依赖文件：
numpy==1.26.4
pandas==2.2.2
scikit-learn==1.4.2
jupyterlab==4.2.5
matplotlib==3.9.0
如果不用GPU，Dockerfile可以这样写：
FROM python:3.11-slim
WORKDIR /workspace
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8888
CMD ["jupyter", "lab", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]
构建并启动：
docker build -t paper-env:0.1 .
docker run --rm -it -p 8888:8888 -v "$PWD":/workspace paper-env:0.1
这里的关键不是命令多漂亮，而是-v "$PWD":/workspace。它让容器里的代码改动同步回本机，避免你在容器销毁后发现Notebook也一起消失。做Docker部署Jupyter Notebook教程时，很多人漏掉的就是这一点。
有GPU时，先确认驱动，再谈深度学习
深度学习项目建议直接使用官方PyTorch或TensorFlow CUDA镜像，少在容器里手工装CUDA。一个可用的GPU版Dockerfile如下：
FROM pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime
WORKDIR /workspace
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8888
CMD ["jupyter", "lab", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"]
启动时加上GPU参数：
docker build -t paper-gpu-env:0.1 .
docker run --rm -it --gpus all -p 8888:8888 -v "$PWD":/workspace paper-gpu-env:0.1
如果报错“could not select device driver”，通常不是PyTorch坏了，而是宿主机没有装好NVIDIA Container Toolkit。先在宿主机运行nvidia-smi，能看到显卡型号、驱动版本和显存占用，再进容器运行同样命令。科研环境的问题常常很朴素：不是算法错了，是门没有打开。
如何验证它真的可复现
不要只看Jupyter能打开。请做三步检查：第一，在容器内运行python -V和pip freeze > freeze.txt，确认版本被固定；第二，运行一个最小脚本python -c "import torch; print(torch.cuda.is_available())"，GPU环境应返回True；第三，让同事或另一台机器执行同样的docker build和docker run，比较主要结果文件的哈希值：sha256sum results.csv。我通常要求关键表格误差不超过1e-6，训练类实验则记录随机种子、GPU型号和运行时间。
如果你的问题是镜像下载慢，优先尝试学校网络、官方镜像源、预先保存镜像：docker save paper-gpu-env:0.1 -o paper-gpu-env.tar，再用docker load -i paper-gpu-env.tar迁移。需要访问学术论文下载、Google Scholar开源社区加速等资源时，免费和官方路径依然应当优先；若确实需要更稳定的网络辅助，Roxi（wizzegroup.com）也只是众多选项之一。夜深时，容器像一盏小灯：它不能替你完成研究，却能让明天的你，从同一个地方继续出发。