關鍵詞：VS Code, Docker, Remote-Container, Remote-SSH

適用：遠程服務器上有計算環境（GPU煉丹爐）想使用Docker 快速配置環境的developer/researcher

簡單在哪：本方案全程鼠標點點點，不需要該任何.json等配置文件。

關於Docker 的好處這裡不多贅述，可以看下面這篇文章：

隨著宇宙第一編譯器Visual Studio 的弟弟Visual Studio Code （我也是宇宙第一編輯器！霧）不斷的迭代更新，到今天它已經極度適用於遠程開發，官方對於VS Code 遠程開發的擴展三劍客：Remote-SSH，Remote-Container，Remote-WSL 給開發者和研究者帶來了巨大的便利。

Remote-SSH 大家可能已經熟知，它可以用於連接遠程服務器，並在其上安裝擴展插件，實現如代碼補全/語法檢查等令人舒適的功能。

而Remote-Container 則是將Docker 與VS Code 的優勢融為一體的關鍵先生，可以使得像Remote-SSH 登錄服務器一般登錄容器。

假使我們已經能夠利用Remote-SSH 進行遠程開發，接下來想要利用Docker 便捷地配置深度學習環境。整個過程可以簡單地分為四步：

（1）利用Remote-SSH 遠程登錄，然後安裝Docker 與Remote-Container 插件：

（2）直接從如果想靈活一點，可以自己docker build，筆者的Dockerfile 如下：

FROM pytorch/pytorch:1.9.0-cuda10.2-cudnn7-devel# By default, GPU support is built if CUDA is found and torch.cuda.is_available() is true. # It’s possible to force building GPU support by setting FORCE_CUDA=1 environment variable, # which is useful when building a docker image.ENVFORCE_CUDA=1# From Detectron2# This will by default build detectron2 for all common cuda architectures and take a lot more time,# because inside docker build, there is no way to tell which architecture will be used.ARGTORCH_CUDA_ARCH_LIST="Kepler;Kepler+Tesla;Maxwell;Maxwell+Tegra;Pascal;Volta;Turing"ENVTORCH_CUDA_ARCH_LIST="${TORCH_CUDA_ARCH_LIST}"# From MMAction2. Not necessary.RUN apt-get updateRUN apt-get install git vim libgl1-mesa-glx ffmpeg ninja-build libglib2.0-0 libsm6 libxrender-dev libxext6# Not necessary.RUN pip install gpustat pycocotools scipy opencv-python

（3）實例化鏡像（images）生成容器（containers）：

此處需要注意，用docker run 實例化鏡像時，需要帶上gpu 相關的命令參數，否則在容器裡可能看不到gpu。如，可以使用下列命令：

docker run --gpus all --shm-size=8g -it -v /home/chenjoya/data/:/data chenjoya/pytorch

其中，-v 的意思是volume，為容器添加與服務器上聯通的數據卷。命令最後的參數為鏡像名，可以自己設置tag。

（4）Attach VS Code：

右鍵容器attach vs code，開啟神奇之旅！

此時VS Code 會提示我們安裝docker desktop，按照指示安裝即可。另，第一次attach 會比較慢，vs code 會檢測正在運行的容器，可以在容器裡打開一個文件什麼的，讓它檢測到。

進入容器後，可以安裝python擴展，享受寫碼的便利：

祝大家開開心心生活，快快樂樂煉丹！