Language

Docker¶

仓库内置的 Dockerfile 是 Linux NVIDIA/CUDA 容器路径。它会安装仓库的 dev/test 工具，以及 scoped 的 MuJoCo 与 MJWarp 后端 extra。容器内训练支持当前 tensor Manager runtime：--sim mujoco 与 --sim mjwarp。macOS Docker 目前不作为主要路径，ROCm 则使用另外的镜像（见下文），而不是这个 CUDA Dockerfile。

构建¶

docker build -t unilab:latest .

快速检查镜像入口（默认入口是 uv run train --help）：

docker run --rm unilab:latest

检查容器内 CUDA 是否可见：

docker run --rm --gpus all unilab:latest \
  uv run python -c "import torch; print(torch.cuda.is_available())"

挂载本地 checkout 运行¶

docker run --rm --gpus all -it \
  -v "$(pwd):/workspace/UniLab" \
  -v unilab-venv:/workspace/UniLab/.venv \
  -w /workspace/UniLab \
  unilab:latest bash

把 .venv 放进 named volume 的作用是避免容器内的虚拟环境覆盖宿主机仓库目录，切回本地 uv 工作流时也更干净。

在容器内部，使用与宿主机相同的工作流，两个 scoped 物理后端都可用：

uv run train --algo ppo --task go2_joystick_flat --sim mujoco
uv run train --algo sac --task g1_motion_tracking --sim mjwarp

容器内的评估和回放方式相同；--load-run -1 会选择最新的 run：

uv run eval --algo ppo --task go2_joystick_flat --sim mujoco --load-run -1

由于 checkout 是 bind-mount 挂载进来的，训练产物仍会写回挂载后的仓库 logs/ 目录。

ROCm 容器¶

ROCm 容器应使用 AMD 的 ROCm PyTorch 镜像以及 make sync-rocm 工作流，而不是仓库的 CUDA Dockerfile。进入容器后先运行 make sync-rocm 激活 ROCm profile，再用 uv run ... 训练。容器通常需要挂载 AMD 设备 /dev/kfd 和 /dev/dri，并加上 --group-add=video 和 --ipc=host。

使用 AMD ROCm PyTorch 镜像的最小示例：

docker run --rm -it --network=host --ipc=host \
  --device=/dev/kfd --device=/dev/dri --group-add=video \
  -v "$(pwd):/workspace/UniLab" -w /workspace/UniLab \
  rocm/pytorch:latest bash

请使用与本机 ROCm 版本匹配的 ROCm PyTorch 镜像 tag；可用 tag 参见 AMD 的 ROCm PyTorch 镜像。