chore: release v0.2.0

docs/source/zh_CN/user_guide/getting_started/container_deployment.md

@@ -0,0 +1,189 @@
+# 容器部署
+
+本文档介绍如何使用 Docker 容器化部署 MotrixLab，以简化环境配置并实现快速部署。
+
+## 前置要求
+
+-   **Docker** 和 **Docker Compose**: [安装文档](https://docs.docker.com/engine/install/)
+-   **NVIDIA Container Toolkit**: [安装文档](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installation)
+-   **NVIDIA GPU**: 支持 CUDA 12.8 的显卡
+
+## 快速开始
+
+### 1. 克隆项目仓库
+
+```bash
+git clone https://github.com/Motphys/MotrixLab.git
+
+cd MotrixLab/docker
+```
+
+### 2. 使用 Docker Compose 启动
+
+我们提供了完整的 `docker-compose.yml` 配置文件，支持一键启动训练和 TensorBoard 可视化服务。
+
+```bash
+# 启动训练和 TensorBoard 服务
+docker compose up -d
+```
+
+这将启动以下服务：
+
+-   **motrixlab-training**: 训练容器，执行强化学习训练任务
+-   **motrixlab-tensorboard**: TensorBoard 可视化服务，通过浏览器访问 http://localhost:6006
+
+### 3. 配置训练参数
+
+您可以通过环境变量自定义训练配置：
+
+```bash
+# 设置训练后端（jax 或 torch）
+export MOTRIX_TRAIN_BACKEND=jax
+
+# 设置并行环境数量
+export MOTRIX_NUM_ENVS=2048
+
+# 设置训练环境名称
+export MOTRIX_ENV=cartpole
+
+# 启动服务
+docker compose up -d
+```
+
+| 环境变量               | 默认值     | 说明                       |
+| :--------------------- | :--------- | :------------------------- |
+| `MOTRIX_TRAIN_BACKEND` | `jax`      | 训练后端：`jax` 或 `torch` |
+| `MOTRIX_NUM_ENVS`      | `2048`     | 并行环境数量               |
+| `MOTRIX_ENV`           | `cartpole` | 训练环境名称               |
+
+### 4. 查看训练进度
+
+训练日志会自动保存到 Docker Volume `motrixlab-data` 中。您可以通过以下方式查看：
+
+```bash
+# 查看训练容器日志
+docker logs -f motrixlab-training
+
+# 访问 TensorBoard
+# 浏览器打开: http://localhost:6006
+```
+
+### 5. 停止服务
+
+```bash
+# 停止所有服务
+docker compose down
+
+# 停止服务并删除数据卷
+docker compose down -v
+```
+
+## 高级用法
+
+### 构建 Docker 镜像
+
+如果您需要自定义镜像，可以从源代码构建：
+
+```bash
+# 在项目根目录执行
+cd docker
+docker build -t motphys/motrixlab:latest .
+```
+
+### 运行单个容器
+
+如果您只想运行训练容器而不使用 Docker Compose：
+
+```bash
+docker run --gpus all \
+    -v $(pwd)/runs:/root/motrixlab/runs \
+    motphys/motrixlab:latest \
+    scripts/train.py --train-backend jax --num-envs 2048 --env cartpole
+```
+
+### 持久化训练结果
+
+默认配置使用 Docker Volume `motrixlab-data` 保存训练结果。您可以将其挂载到主机目录：
+
+```bash
+# 修改 docker-compose.yml 中的 volumes 配置
+volumes:
+  - ./runs:/root/motrixlab/runs
+```
+
+## 镜像说明
+
+我们的 Docker 镜像基于 {bdg-primary-line}`NVIDIA CUDA 12.8.1` 运行时环境，预装了以下组件：
+
+-   **UV 包管理器**: 快速、可靠的依赖管理
+-   **SKRL**: 支持 JAX 和 PyTorch 后端的强化学习库
+-   **TensorBoard**: 训练过程可视化工具
+-   **MotrixSim**: 高性能物理仿真引擎
+-   **MotrixLab**: 完整的强化学习训练框架
+
+镜像层构建过程：
+
+1.  **基础环境**: NVIDIA CUDA 12.8.1 Runtime + Ubuntu 24.04
+2.  **系统依赖**: 安装 UV 包管理器和必要的系统工具
+3.  **Python 依赖**: 使用 UV 缓存机制快速安装 Python 包
+4.  **项目代码**: 复制 MotrixLab 源代码并完成依赖安装
+
+## 故障排查
+
+### GPU 不可用
+
+如果容器无法访问 GPU：
+
+```bash
+# 检查 NVIDIA Docker Runtime
+docker run --rm --gpus all nvidia/cuda:12.8.1-base-ubuntu24.04 nvidia-smi
+
+# 确认 NVIDIA Container Toolkit 已正确安装
+which nvidia-container-cli
+```
+
+### 存储空间不足
+
+清理 Docker 缓存和未使用的镜像：
+
+```bash
+# 清理构建缓存
+docker builder prune
+
+# 删除未使用的镜像
+docker image prune -a
+
+# 清理所有未使用的资源
+docker system prune -a
+```
+
+## 性能优化
+
+### 使用 UV 缓存加速构建
+
+Dockerfile 使用了 UV 的缓存挂载功能，可以显著加速重建过程：
+
+```bash
+# 利用 UV 缓存重新构建
+docker build --cache-from motphys/motrixlab:latest -t motphys/motrixlab:latest .
+```
+
+### GPU 资源分配
+
+您可以在 `docker-compose.yml` 中指定 GPU 使用数量：
+
+```yaml
+deploy:
+    resources:
+        reservations:
+            devices:
+                - driver: nvidia
+                  device_ids: ["0", "1"] # 使用 GPU 0 和 1
+                  capabilities: [gpu]
+```
+
+## 下一步
+
+-   查看 [快速入门教程](hello_motrixlab.md) 了解 MotrixLab 基本用法
+-   阅读 [训练示例](../demo/cartpole.md) 学习更多训练任务
+-   探索 [基础框架](../tutorial/basic_frame.md) 深入理解框架架构