在数据科学与深度学习的日常工作中，GPU 已经成为不可或缺的计算加速工具。无论是训练大规模 Transformer 模型，还是运行复杂的图像处理与科学计算任务，GPU 都能显著提升性能。
SmartNotebook 作为一款类似 Hex.tech 的现代化 DataNotebook 平台，不仅支持在容器环境中快速部署，还可以通过简单的配置实现 GPU 加速，让用户在 DataNotebook 内即可运行深度学习任务。。
本文将介绍如何在 SmartNotebook 中配置 GPU 支持，并以 torch 为例进行验证，内容分为以下四个部分：
- CUDA 安装
- Docker 及 Container-Toolkit 配置
- docker-compose 添加 GPU 支持
- 安装 Torch 并测试
1.CUDA 安装
cudu 默认已经内置了 NVIDIA 驱动。如果在宿主机上额外安装驱动，可能导致版本冲突，出现 安装失败 等问题。
NVIDIA CUDA 下载地址，可以根据系统类型进行筛选：
复制安装命令如下：
复制
图片
2.docker及NVIDIA container-toolkit的安装
从 Docker 20 版本开始，Docker 已经原生支持 docker compose 命令，不再需要单独安装 docker-compose。
因此需要确保安装 Docker 28+，并安装 docker compose 插件。
安装 Docker：
复制复制复制
图片
安装 NVIDIA Container Toolkit（用于容器访问 GPU）
安装文档：
复制修改运行脚本 docker-compose-simple.sh：
复制3.docker-compose 添加GPU配置项
在完成 NVIDIA Container Toolkit 安装后，可以在 docker-compose.yml 中使用 gpus: all 来开启 GPU。
示例 docker-compose-simple.yml：
复制这里 node 服务绑定了宿主机 GPU，Notebook 内部的 Python 环境即可调用 CUDA。
图片
4.安装torch及测试
进入 Notebook 或容器后，安装 torch：
复制测试 GPU 是否可用：
复制
图片
如果输出结果显示 CUDA is available: True，并且能正确列出 GPU 型号（如 NVIDIA A100），说明 Notebook 已经成功开启了 GPU 支持。
通过以上四个步骤，我们完成了 SmartNotebook 的 GPU 环境配置：
- 安装 CUDA，确保宿主机具备 GPU 工具链；
- 配置 Docker 与 Container-Toolkit，为容器打通 GPU 通道；
- 在 docker-compose 中开启 GPU，让 Notebook 容器能使用显卡；
- 安装 PyTorch 并测试，验证 GPU 是否可用。
这样，用户就可以在 SmartNotebook 中轻松运行深度学习任务，充分发挥 GPU 的强大算力，加速模型训练与数据分析。
