🥇 版权: 本文由【墨理学AI】原创首发、各位读者大大、敬请查阅、感谢三连

🔍你遇到的错误：

exec: "nvidia-container-runtime": executable file not found in $PATH: unknown

说明：Docker 找不到 nvidia-container-runtime 这个可执行文件，这是 NVIDIA Docker 支持的核心组件。

---

🔍 根本原因

虽然你安装了 nvidia-docker2，但它的底层运行时 nvidia-container-runtime 没有被正确安装或没有加入系统 PATH。

---

✅ 解决方案：正确安装 NVIDIA Container Toolkit

请按以下步骤 重新安装并配置 NVIDIA Container Toolkit。

---

✅ 第一步：卸载旧版本（如果存在）

sudo apt-get purge -y nvidia-docker2 nvidia-container-toolkit
sudo rm -rf /etc/nvidia-container-runtime

---

✅ 第二步：添加 NVIDIA 仓库并安装

# 添加密钥和仓库
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpgcurl -fsSL https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list# 更新包列表
sudo apt-get update

---

✅ 第三步：安装 nvidia-container-toolkit

sudo apt-get install -y nvidia-container-toolkit

⚠️ 注意：现在推荐使用 nvidia-container-toolkit 而不是旧的 nvidia-docker2

---

✅ 第四步：配置 Docker 使用 NVIDIA 作为默认运行时

sudo nvidia-ctk runtime configure --runtime=docker

这会自动修改 /etc/docker/daemon.json，添加：

{"default-runtime": "nvidia","runtimes": {"nvidia": {"path": "nvidia-container-runtime","runtimeArgs": []}}
}

---

✅ 第五步：重启 Docker

sudo systemctl restart docker

---

✅ 第六步：验证安装是否成功

1. 检查 nvidia-container-runtime 是否在 PATH

which nvidia-container-runtime

✅ 正常输出应为：

/usr/bin/nvidia-container-runtime

2. 测试运行 GPU 容器

docker run --rm --gpus all nvidia/cuda:11.8.0-base nvidia-smi

你应该看到类似这样的输出（显示你的 GPU 信息）：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.60.13    Driver Version: 525.60.13    CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla T4            Off  | 00000000:00:1E.0 Off |                    0 |
| N/A   38C    P8     9W /  70W |      0MiB / 15360MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

这里我的验证命令和效果如下

docker run -it --rm --gpus all pytorch/pytorch:2.7.0-cuda12.6-cudnn9-runtime /bin/bash# 进入容器内
root@e16c6f18b6bc:/workspace# nvidia-smi
Tue .. 2025       
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 535.183.01             Driver Version: 535.183.01   CUDA Version: 12.2     |
|-----------------------------------------+----------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |         Memory-Usage | GPU-Util  Compute M. |
|                                         |                      |               MIG M. |
|=========================================+======================+======================|
|   0  NVIDIA GeForce RTX 3090        Off | 00000000:01:00.0 Off |                  N/A |
|  0%   35C    P8              12W / 350W |  18396MiB / 24576MiB |      0%      Default |
|                                         |                      |                  N/A |
+-----------------------------------------+----------------------+----------------------++---------------------------------------------------------------------------------------+
| Processes:                                                                            |
|  GPU   GI   CI        PID   Type   Process name                            GPU Memory |
|        ID   ID                                                             Usage      |
|=======================================================================================|
+---------------------------------------------------------------------------------------+

---

✅ 第七步：更新你的 docker-compose.yml

你现在可以使用 --gpus 语法（推荐），不再需要 runtime: nvidia

services:web:build: .container_name: qwen-qa-webdeploy:resources:reservations:devices:- driver: nvidiacount: 1capabilities: [gpu]environment:- NVIDIA_VISIBLE_DEVICES=all- NVIDIA_DRIVER_CAPABILITIES=compute,utility- PYTHONUNBUFFERED=1- MODELSCOPE_CACHE=/app/modelsvolumes:- ./uploads:/app/uploads- ./models:/app/models- ./gunicorn.conf.py:/app/gunicorn.conf.pynginx:image: nginx:alpinecontainer_name: qwen-qa-nginxports:- "8083:80"volumes:- ./nginx.conf:/etc/nginx/nginx.conf- ./backend/static:/app/backend/static- ./backend/templates:/app/backend/templates- ./uploads:/app/uploadsdepends_on:- web

✅ 注意：移除了 runtime: nvidia，改用 deploy.resources.reservations.devices

---

✅ 第八步：重新构建并启动

docker-compose downdocker-compose up --build -d

---

✅ 验证服务

# 查看日志
docker logs qwen-qa-web -f

你应该看到：

• Gunicorn 启动
• Qwen3 模型开始加载（可能需要 2~5 分钟）
• Nginx 成功代理请求

访问：http://your-server-ip:8083

---

🎯 总结

问题	解决方案
nvidia-container-runtime not found	安装 nvidia-container-toolkit
OCI runtime create failed	使用 nvidia-ctk runtime configure 配置 Docker
runtime: nvidia 失效	改用 deploy.resources.devices（Docker Compose v2+）

---

现在你的 Docker 应该可以 正确调用 GPU 来运行 Qwen3 模型了！

如果仍有问题，请运行：

nvidia-smidocker run --rm --gpus all nvidia/cuda:11.8.0-base nvidia-smi

❤️ 一起学AI

---

• ❤️ 如果文章对你有些许帮助、蟹蟹各位读者大大点赞、评论鼓励博主的每一分认真创作