一、创建Dockerfile文件不需要加后缀名此步骤需要把你的requirements.txt里的内容给到AI结合上面的代码让他帮你输出最新的Dockerfile文件。【要求使用 GPU 进行推理和使用单阶段】# syntaxdocker/dockerfile:1.7 # 构建阶段 FROM nvidia/cuda:12.8.0-devel-ubuntu24.04 AS builder ENV PIP_INDEX_URLhttps://pypi.tuna.tsinghua.edu.cn/simple \ PIP_TRUSTED_HOSTpypi.tuna.tsinghua.edu.cn \ PYTHONDONTWRITEBYTECODE1 \ PYTHONUNBUFFERED1 \ PIP_NO_CACHE_DIR1 \ PIP_DISABLE_PIP_VERSION_CHECK1 # 安装 python3-venv 并创建虚拟环境 RUN apt-get update apt-get install -y --no-install-recommends \ python3.12-dev python3.12-venv python3-pip gcc default-libmysqlclient-dev pkg-config \ rm -rf /var/lib/apt/lists/* /var/cache/apt/archives/* \ userdel -r $(id -nu 1000 2/dev/null) 2/dev/null || true \ groupdel $(getent group 1000 | cut -d: -f1) 2/dev/null || true \ groupadd --gid 1000 appgroup \ useradd --uid 1000 --gid appgroup --create-home appuser \ mkdir -p /opt/venv \ chown -R appuser:appgroup /opt # 创建虚拟环境使用 appuser 身份 USER appuser RUN python3.12 -m venv /opt/venv ENV PATH/opt/venv/bin:$PATH WORKDIR /app COPY --chownappuser:appgroup requirements.txt . # 在虚拟环境中安装依赖并强制升级 redis 和 pydub 到兼容 Python 3.12 的版本 RUN pip install --no-cache-dir --no-compile -r requirements.txt \ pip install --no-cache-dir --no-compile --upgrade redis5.0.0 pydub0.25.1 # 运行时阶段 FROM nvidia/cuda:12.8.0-runtime-ubuntu24.04 ENV PYTHONUNBUFFERED1 \ PYTHONDONTWRITEBYTECODE1 \ PYTHONFAULTHANDLER1 \ PIP_NO_CACHE_DIR1 \ PIP_DISABLE_PIP_VERSION_CHECK1 \ LD_LIBRARY_PATH/usr/local/cuda/lib64:${LD_LIBRARY_PATH} RUN apt-get update apt-get install -y --no-install-recommends \ python3.12 python3.12-venv libsndfile1 ffmpeg libgomp1 libmysqlclient21 \ apt-get clean \ rm -rf /var/lib/apt/lists/* /var/cache/apt/archives/* \ update-alternatives --install /usr/bin/python python /usr/bin/python3.12 1 \ userdel -r $(id -nu 1000 2/dev/null) 2/dev/null || true \ groupdel $(getent group 1000 | cut -d: -f1) 2/dev/null || true \ groupadd --gid 1000 appgroup \ useradd --uid 1000 --gid appgroup --shell /bin/bash --create-home appuser # 从构建阶段复制虚拟环境 COPY --frombuilder --chownappuser:appgroup /opt/venv /opt/venv COPY --chownappuser:appgroup . /app # 激活虚拟环境 ENV PATH/opt/venv/bin:$PATH \ PYTHONPATH/opt/venv/lib/python3.12/site-packages:/app:$PYTHONPATH WORKDIR /app # 验证安装root 身份运行验证 RUN python -c import uvicorn; print(fuvicorn {uvicorn.__version__} OK) USER appuser EXPOSE 1112 HEALTHCHECK --interval30s --timeout10s --start-period40s --retries3 \ CMD python -c import urllib.request; urllib.request.urlopen(http://localhost:1112/health, timeout5) || exit 1 CMD [python, -m, uvicorn, main:app, --host, 0.0.0.0, --port, 1112, --proxy-headers]二、创建.dockerignore文件此步骤需要根据上面的Dockerfile文件进行AI生成# Python 缓存 __pycache__/ *.py[cod] *$py.class *.so .Python *.egg-info/ .eggs/ *.egg pip-wheel-metadata/ *.manifest *.spec # 虚拟环境 venv/ .venv/ env/ ENV/ env.bak/ venv.bak/ # IDE 和编辑器 .vscode/ .idea/ *.swp *.swo *~ .project .pydevproject .settings/ # 版本控制 .git/ .gitignore/ .gitattributes/ .gitmodules .svn/ .hg/ # 环境变量和秘密绝不能进镜像 .env .env.* .envrc *.local secrets/ *.key *.pem # 测试和开发 tests/ test/ testing/ .pytest_cache/ .coverage htmlcov/ .tox/ .nox/ .mypy_cache/ .dmypy.json *.cover .hypothesis/ # 文档保留 README 供参考 docs/_build/ *.md !README.md !CHANGELOG.md # Docker 本身 Dockerfile* docker-compose*.yml .docker/ .dockerignore # 构建产物 build/ dist/ *.tar.gz *.zip *.tgz # 日志 logs/ *.log *.log.* log/ # 临时文件 tmp/ temp/ temp_*/ *.tmp *.bak *.backup # 数据如果很大或通过 volume 挂载 data/ datasets/ *.csv *.tsv *.json *.jsonl *.parquet *.hdf5 *.h5 *.pkl *.pickle # 模型文件通常很大建议在容器内下载而非复制 *.pt *.pth *.ckpt *.safetensors *.onnx *.pb models/ checkpoints/ weights/ # 本地开发工具 .pre-commit-config.yaml .flake8 .black .isort.cfg mypy.ini bandit.yaml # 系统文件 .DS_Store Thumbs.db desktop.ini三、创建build.sh脚本文件此步骤需要根据上面的.dockerignore文件进行AI生成#!/bin/bash set -euo pipefail # 配置区 IMAGE_NAMEnew2026_data REGISTRY${REGISTRY:-} FULL_IMAGE_NAME${REGISTRY}${IMAGE_NAME} VERSION${VERSION:-latest} BUILD_DATE$(date -u %Y-%m-%dT%H:%M:%SZ) # 颜色输出 RED\033[0;31m GREEN\033[0;32m YELLOW\033[1;33m BLUE\033[0;34m NC\033[0m log_info() { echo -e ${GREEN}[INFO]${NC} $1; } log_warn() { echo -e ${YELLOW}[WARN]${NC} $1; } log_error() { echo -e ${RED}[ERROR]${NC} $1; } log_debug() { echo -e ${BLUE}[DEBUG]${NC} $1; } usage() { cat EOF 用法: $0 [选项] -t, --tag TAG 指定标签 (默认: ${VERSION}) --no-cache 禁用缓存 --push 构建后推送到仓库 -h, --help 显示帮助 EOF } # 检查 NVIDIA Container Toolkit check_nvidia_runtime() { if ! docker info 2/dev/null | grep -q nvidia; then log_warn 未检测到 NVIDIA Container Toolkit log_warn 请执行以下命令安装 echo sudo apt-get install -y nvidia-container-toolkit echo sudo nvidia-ctk runtime configure --runtimedocker echo sudo systemctl restart docker echo else log_info NVIDIA Container Toolkit 已配置 fi # 检查 nvidia-smi 是否可用 if command -v nvidia-smi /dev/null; then local gpu_info$(nvidia-smi --query-gpuname --formatcsv,noheader 2/dev/null | head -n 1 || echo Unknown) log_info 检测到 GPU: $gpu_info else log_warn 宿主机未安装 nvidia-smi容器内将无法使用 GPU fi } # 检查资源 check_resources() { log_info 检查系统资源... # 检查磁盘空间需要至少 20GB local docker_root/var/lib/docker if [ ! -d $docker_root ]; then docker_root/ fi local available_gb$(df -BG $docker_root 2/dev/null | awk NR2 {print $4} | sed s/G// || echo 0) # 确保是数字 if ! [[ $available_gb ~ ^[0-9]$ ]]; then available_gb0 fi if [ $available_gb -lt 20 ]; then log_warn 磁盘空间不足: ${available_gb}GB 20GB 推荐值 log_warn 建议清理: docker system prune -af read -p 是否继续? [y/N] -n 1 -r echo if [[ ! $REPLY ~ ^[Yy]$ ]]; then exit 1 fi else log_info 磁盘空间充足: ${available_gb}GB fi # 检查内存需要至少 4GB local mem_gb$(free -g 2/dev/null | awk /^Mem:/{print $2} || echo 0) if ! [[ $mem_gb ~ ^[0-9]$ ]]; then mem_gb0 fi if [ $mem_gb -lt 4 ]; then log_warn 内存不足: ${mem_gb}GB 4GB 推荐值 log_warn 建议关闭其他程序或增加交换空间 else log_info 内存充足: ${mem_gb}GB fi } # 验证构建结果 verify_build() { local image_tag$1 log_info 验证镜像: ${FULL_IMAGE_NAME}:${image_tag} # 检查 uvicorn 是否可用虚拟环境路径已配置好 if docker run --rm ${FULL_IMAGE_NAME}:${image_tag} python -c import uvicorn; print(uvicorn OK) 2/dev/null; then log_info ✓ Python 模块检查通过 else log_error ✗ Python 模块检查失败 log_error 尝试调试: docker run --rm -it ${FULL_IMAGE_NAME}:${image_tag} /bin/bash exit 1 fi # 检查 GPU 是否可用如果宿主机有 GPU if command -v nvidia-smi /dev/null; then if docker run --rm --gpus all ${FULL_IMAGE_NAME}:${image_tag} nvidia-smi /dev/null 21; then log_info ✓ GPU 支持检查通过 else log_warn ✗ GPU 支持检查失败可能是 NVIDIA Container Toolkit 未配置 fi fi local image_size$(docker images --format {{.Size}} ${FULL_IMAGE_NAME}:${image_tag}) log_info 镜像大小: $image_size } build() { local no_cache_flag${1:-} local tag${2:-$VERSION} local should_push${3:-false} log_info 开始构建镜像: ${FULL_IMAGE_NAME}:${tag} log_info 构建时间: ${BUILD_DATE} # 清理旧缓存避免冲突 rm -rf /tmp/.buildx-cache-new 2/dev/null || true export DOCKER_BUILDKIT1 set -x docker build \ ${no_cache_flag} \ -t ${FULL_IMAGE_NAME}:${tag} \ -t ${FULL_IMAGE_NAME}:latest \ --build-arg BUILD_DATE${BUILD_DATE} \ --build-arg VERSION${tag} \ -f Dockerfile \ . set x log_info 本地镜像构建完成 # 验证构建 verify_build ${tag} # 推送镜像如果指定了 --push if [ $should_push true ] [ -n $REGISTRY ]; then log_info 推送到仓库: ${FULL_IMAGE_NAME}:${tag} docker push ${FULL_IMAGE_NAME}:${tag} docker push ${FULL_IMAGE_NAME}:latest fi log_info 构建流程完成 log_info 运行命令: docker run --rm --gpus all -p 1112:1112 ${FULL_IMAGE_NAME}:${tag} log_info log_info 调试命令进入容器: log_info docker run --rm -it --gpus all --entrypoint /bin/bash ${FULL_IMAGE_NAME}:${tag} } main() { local no_cache local custom_tag local should_pushfalse while [[ $# -gt 0 ]]; do case $1 in -t|--tag) if [[ -z ${2:-} ]] || [[ $2 ~ ^- ]]; then log_error 错误: $1 需要一个参数 usage exit 1 fi custom_tag$2 shift 2 ;; --no-cache) no_cache--no-cache shift ;; --push) should_pushtrue shift ;; -h|--help) usage exit 0 ;; *) log_error 未知选项: $1 usage exit 1 ;; esac done check_nvidia_runtime check_resources local final_tag${custom_tag:-$VERSION} build ${no_cache} ${final_tag} ${should_push} } main $四、通过以下命令开始执行构建镜像文件给予权限 chmod x build.sh # 1. 构建生产镜像标签使用版本号 ./build.sh --no-cache -t v4.0.0 # 2. 启动服务后台运行 docker-compose up -d构建过程中的所有日志最后显示构建流程完成还提示您构建后运行镜像的命令和调试命令运行命令: docker run --rm --gpus all -p 1112:1112 new2026_data:v4.0.0调试命令docker run --rm -it --gpus all --entrypoint /bin/bash new2026_data:v4.0.0五、构建成功后将在Portainer镜像列表中看到构建成功的镜像文件六、注意事项1、如果你的程序里涉及大模型在构建镜像时如果出现以下问题解决办法sudo apt-get install -y nvidia-container-toolkitsudo nvidia-ctk runtime configure --runtimedockersudo systemctl restart docker解决方法步骤1添加 NVIDIA 官方 GPG 密钥验证包完整性curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg步骤2添加 NVIDIA 软件源适配 Ubuntu 版本jammy22.04focal20.04echo deb [signed-by/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://nvidia.github.io/libnvidia-container/ubuntu22.04/$(ARCH) / | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list步骤3更新软件包索引sudo apt-get update步骤4执行你提供的核心命令sudo apt-get install -y nvidia-container-toolkitsudo nvidia-ctk runtime configure --runtimedockersudo systemctl restart docker2、如果你反复进行调试程序并进行生成镜像则需要清理Docker缓存、未使用的镜像、容器信息命令否则存在docker里文件会越来越大占用的硬盘空间会越来越大此时需要执行清理命令所有提示全部按Y来进行执行docker buildx prune docker buildx prune -af docker builder prune docker builder prune -af docker system prune docker system prune -a