ThinkStation PGX Ubuntu aarch64架构上使用Docker 配置amd64架构镜像的深度学习环境并使用Vscode开发

前言

联想 ThinkStation PGX 是一款设计精巧、功能强大的桌面AI超算工作站，它完全具备训练AI模型的能力，特别是在大规模模型的微调、推理和原型开发场景中表现出色。ThinkStation PGX 和 A100/A800 是定位不同的产品。A100/A800 是数据中心级的计算加速卡，通常需要多卡并联并安装在大型服务器中，以追求极致的训练吞吐量。而 ThinkStation PGX 是一台完整的桌面AI工作站，其核心价值在于集成了最新的GB10超级芯片和完整的NVIDIA AI软件栈（预装DGX OS），开箱即用，避免了复杂的软硬件配置烦恼。以仅240瓦的功耗提供了匹敌小型服务器的AI算力，实现了能效的巨大飞跃基于NVIDIA统一软件架构，在PGX上开发的模型可以无缝部署到云端或数据中心，几乎无需修改代码。

txt 复制代码

1. ThinkStation PGX/NVIDIA Grace Blackwell/NVIDIA<br/>Grace 20核Arm @CPU
2. Blackwel1 CUDA核心，嵌入NVENC视频编码器和NVDEC视频解码器/人工智能
3. 1000 TOPS（万亿次运算/秒）；1 PFLOP（FP4精度）/统一系统内存128GB
4. LPDDR5x 256位总线/硬盘容量4TB NVMe M. 2/可扩展性"两个ThinkStation PGX节点可通过集成的/NVIDIA ConnectX@-7进行连接，以处理参数高达405B的模型"
5. 搭载NVIDIA基础操作系统的操作系统Ubuntu Linux Pro/预装 NVIDIA人工智能软件栈"NVIDIA NIM<

由于Thinkstation pgx是aarch64/arm64架构的，在配置环境的过程中。好多工具包是不支持该架构的。通过Docker 配置能避免架构不同无法安装工具包的问题。

1 从云服务器上配置开发环境，然后下载docker镜像

在基于x86-64或者amd64的服务器上成功配置环境后，导出镜像。导出为为pytorch-test.tar文件

具体步骤，根据自己的需要设定

2 在Thinkstation PGX 系统上安装和使用docker

（1）使用 docker load命令从归档文件（如 .tar或 .tar.gz）中加载镜像

bash 复制代码

docker load -i pytorch-test.tar
# 列出所有容器，找到使用目标镜像的容器ID
docker ps -a
# 修改镜像名称使用方法
docker tag <原始镜像名>:<标签> <简化后的镜像名>:<标签>
# 修改名称
docker tag pytorch-test-mirror:test pytorch-test:latest
# 查看加载的镜像
docker images

（2）适配架构

如果镜像 pytorch-test:latest是为 linux/amd64（即传统的Intel/AMD CPU架构）构建的，而当前主机是 linux/arm64。这两种架构的二进制指令不兼容，需要安装并配置模拟器，最常用的是QEMU。

bash 复制代码

# 安装QEMU和相关工具
sudo apt-get update && sudo apt-get install -y qemu-user-static binfmt-support

# 注册QEMU解释器（推荐使用Docker官方工具）
docker run --rm --privileged multiarch/qemu-user-static --reset -p yes

（3）运行启动Docker

bash 复制代码

# 方法一：直接告诉Docker您要运行AMD64架构的镜像。
docker run -it --platform linux/amd64 pytorch-test:latest /bin/bash

# 方法二：指定架构+目录挂载
mkdir continual_robot
docker run -it --platform linux/amd64 -v /home/pgx/lium/continual_robot:/workspace/continual_robot pytorch-test:latest /bin/bash

3 Vscode开发

（1）开发目录挂载（

将主机上的一个目录映射到容器内的指定路径。双方对目录内容的任何修改都会实时同步

bash 复制代码

docker run -v /path/on/host:/path/in/container -it pytorch-test:latest /bin/bash
# 具体为
docker run -v /home/pgx/lium/continual_robot:/workspace/continual_robot -it pytorch-test:latest /bin/bash

/path/on/host：替换为你本地文件夹的绝对路径。
/path/in/container：替换为容器内希望挂载到的目标路径。
your_image_name：替换为你使用的镜像名称

docker cp命令方法适合一次性将文件或文件夹复制到一个正在运行的容器中，类似于 cp命令

bash 复制代码

docker cp /path/on/host your_container_id:/path/in/container

（2）Vscode安装Containier Tools和Dev Containers插件

用来创建docker将您的用户分组并添加:

创建docker组。

bash 复制代码

 sudo groupadd docker

将用户添加到docker组。

bash 复制代码

 sudo usermod -aG docker $USER

运行以下命令以激活对组的更改:

bash 复制代码

 newgrp docker

验证是否能够运行docker没有命令sudo。

bash 复制代码

 docker ps

最后重启系统，才能永久生效

bash 复制代码

sudo reboot

（3）vscode

vscode打开本地的项目，要让 VS Code Dev Container 能识别并启动镜像，需要在项目中创建一个 Dev Container 配置。

在项目根目录建立 .devcontainer 文件夹

bash 复制代码

mkdir -p .devcontainer

在 .devcontainer 下创建 devcontainer.json

json 复制代码

{
    "name": "PyTorch Test DevContainer",
    "image": "pytorch-test:latest",
    "runArgs": [
        "--platform=linux/amd64"
    ],
    "workspaceFolder": "/workspace",
    "workspaceMount": "source=${localWorkspaceFolder},target=/workspace,type=bind"
}

然后重启Vscode就可以在Containier 插件中看到运行的docker镜像，右键选中 Attach shell就会打开docker下的终端，此时就是正常的开发环境，docker开发环境配置完成。