mineru-rocm/docker/ISSUES.md

# Docker 构建问题汇总

> 目标：Ubuntu 24.04 + ROCm 7.2.1 + vllm + MinerU Docker 镜像  
> 环境：原生 Linux + RX 9070 (gfx1201) + Privoxy (127.0.0.1:8118)

---

## 1. 网络类

### 1.1 Docker Hub 拉基础镜像超时

**现象**：`dial tcp [2a03:2880:...]:443 i/o timeout`

**原因**：`docker.io` 被墙，IPv6 直连超时

**解决**：Docker daemon 配置代理 + 国内镜像加速器

```bash
# /etc/systemd/system/docker.service.d/http-proxy.conf
Environment="HTTP_PROXY=http://127.0.0.1:8118"
Environment="HTTPS_PROXY=http://127.0.0.1:8118"

# /etc/docker/daemon.json
{
    "registry-mirrors": ["https://docker.1panel.live", ...],
    "ipv6": false
}
```

### 1.2 容器内无法访问国内镜像

**现象**：`Could not resolve 'mirrors.tuna.tsinghua.edu.cn'`

**原因**：Docker 默认 bridge 网络无法路由到外网

**解决**：`docker-compose.yml` 构建时加 `network: host`（非代理，只是共享宿主机网络栈）

### 1.3 GitHub 直连失败

**现象**：`git clone github.com` → `GnuTLS recv error` / `TLS connection non-properly terminated`

**原因**：GitHub 在国内不通，无可靠国内镜像

**解决**：git/wget 通过 Privoxy 代理访问 GitHub（**仅 GitHub**，其他源用国内镜像）

```dockerfile
ARG GIT_PROXY=http://127.0.0.1:8118
git config --global http.proxy ${GIT_PROXY}
# wget: export http_proxy=${GIT_PROXY}
```

### 1.4 git clone 代理断连

**现象**：`RPC failed; curl 92 HTTP/2 stream 5 was not closed cleanly: CANCEL`

**原因**：HTTP/2 通过代理传大仓库不稳定

**解决**：禁用 HTTP/2 + 加大 buffer

```bash
git config --global http.version HTTP/1.1
git config --global http.postBuffer 524288000
```

### 1.5 PyTorch ROCm wheels 下载中断

**现象**：`IncompleteRead` (pip 下载 .whl 到一半断开)

**原因**：PyTorch 官方 CDN (`download.pytorch.org`) 在国内直连不稳定

**解决**：下载 PyTorch 时设环境变量走代理

```bash
export http_proxy=http://127.0.0.1:8118 https_proxy=http://127.0.0.1:8118
pip install ... --pre torch==2.11.0+rocm7.2 ...
```

### 1.6 flash-attention 子模块代理递归断连

**现象**：`--recursive` 克隆 flash-attention 时子模块 `cutlass` (~200MB) 下载失败：`RPC failed; curl 56 GnuTLS recv error`

**原因**：3 个子模块（composable_kernel + cutlass + aiter）挤在一条代理链路上，大文件容易丢包

**解决**（可选）：宿主机预克隆后 COPY 入镜像。或用 `--depth 1` + 逐个 `git submodule update --init --depth 1`（断了一个可单独重试）

---

## 2. Dockerfile 语法类

### 2.1 ENV 行内注释导致解析失败

**现象**：`Syntax error - can't find = in "\ "`，行号为 `HSA_ENABLE_SDMA=1 \ # 注释`

**原因**：Docker ENV 不允许行内 `#` 注释

**解决**：删除行内注释，或移到单独 `#` 行

### 2.2 多行 `python -c "..."` 被误解析

**现象**：`dockerfile parse error: unknown instruction: import` / `unknown instruction: from`

**原因**：Docker 解析器把 Python `-c` 的多行字符串当作 Dockerfile 指令（`from x import y` → 误认为 `FROM`；`import x` → 误认为未知指令）

**解决**：复杂 Python 代码写成独立脚本，用 `COPY` 进入镜像后 `python /opt/xxx.py` 执行

涉及的文件：
- `scripts/apply_mineru_patches.py` — MinerU RDNA 适配补丁
- `scripts/patch_vllm_platform.py` — vllm 平台检测补丁

---

## 3. ROCm 兼容性类

### 3.1 版本号锁定失效

**现象**：`Version '1.0.0.70201-38~24.04' for 'rocminfo' was not found`

**原因**：AMD 仓库更新后精确版本号过期

**解决**：改用 apt pinning 策略，不锁死版本号

```bash
# /etc/apt/preferences.d/rocm-pin-600
Package: *
Pin: release o=repo.radeon.com
Pin-Priority: 600
```

### 3.2 hipcc.pl 符号链接创建损坏链接

**现象**：cmake 报 `Can't find CUDA or HIP installation`（PyTorch 的 `LoadHIP.cmake:179`）

**原因**：`ln -sf /usr/bin/hipcc.pl /opt/rocm/bin/hipcc`，`/usr/bin/hipcc.pl` 在原生 Linux 上不存在，创建了损坏的符号链接

**解决**：条件创建，源文件不存在时跳过

```bash
([ -f /usr/bin/hipcc.pl ] && ln -sf /usr/bin/hipcc.pl /opt/rocm/bin/hipcc) || echo "hipcc.pl not found"
```

### 3.3 缺 rocm-cmake 导致 find_package(HIP) 失败

**现象**：PyTorch `LoadHIP.cmake:179` 调用 `find_package_and_print_version` 找不到 HIP

**原因**：未安装 `rocm-cmake` 包，缺少 HIP cmake 发现模块

**解决**：在阶段 6 加装 `rocm-cmake`

### 3.4 vllm mamba operator+ 补丁失效

**现象**：`sed: can't read csrc/mamba/mamba_ssm/selective_scan.h: No such file or directory`

**原因**：vllm 上游已移除 mamba 模块

**解决**：改为条件判断，文件不存在就跳过

```bash
if [ -f csrc/mamba/mamba_ssm/selective_scan.h ]; then sed ...; else echo "skipping"; fi
```

### 3.5 原生 Linux 需要 amdsmi + 平台检测补丁

**现象**（社区反馈）：`ModuleNotFoundError: amdsmi` → `current_platform = UnspecifiedPlatform` → `Device string must not be empty`

**原因**：amdsmi 未安装，且 `logger.warning_once()` 触发 vllm 循环导入

**解决**：
1. 安装 amdsmi（原生 Linux 上可用，WSL2 不需要）
2. 补丁 6：`platforms/__init__.py` 加 `torch.version.hip` 兜底
3. 补丁 7：`platforms/rocm.py` 中 `logger.warning_once()` → `sys.stderr.write()`

### 3.6 缺 hip_version.h 头文件

**现象**：`Could not find hip/hip_version.h or rocm-core/rocm_version.h`

**原因**：ROCm 7.2.1 的 apt 安装已将 `hip_version.h` 从默认路径移除，且 `rocm-core` 包未安装

**解决**：
1. 安装 `rocm-core` 包（提供 `rocm_version.h`）
2. 手动创建 `/opt/rocm/include/hip/hip_version.h` 兼容头文件

```bash
apt-get install -y rocm-core
# 兜底：手动生成 hip_version.h
printf '#define HIP_VERSION_MAJOR 7\n#define HIP_VERSION_MINOR 2\n...'
```

### 3.7 cmake 需显式设 HIP 编译器路径

**现象**：仅设 `PATH` + `HIP_ROOT_DIR` + `ROCM_PATH` 不足以让 cmake 发现 HIP

**解决**：显式指定

```
-DCMAKE_HIP_COMPILER=/opt/rocm/llvm/bin/clang++  # (非 hipcc，CMake 4.0 拒绝)
-DHIP_COMPILER=/opt/rocm/llvm/bin/clang++        # PyTorch LoadHIP 也需要
-DHIP_PATH=/opt/rocm
-DCMAKE_PREFIX_PATH="/opt/rocm;..."
```

### 3.8 PyTorch Caffe2Targets 缺失 cmake target（Docker 容器特有）

**现象**：cmake 反复报 `hip::amdhip64` / `hiprtc::hiprtc` / `roc::hipblas` / `roc::hipblaslt` 等 target 未找到

**原因**：裸机部署时 ROCm 的 cmake 配置通过 `/opt/rocm` 完整安装，cmake 能自动发现所有 target。但 Docker 容器内 apt 安装的 dev 包缺少部分 cmake config 文件，PyTorch 的 `Caffe2Targets.cmake` 硬编码引用了这些 target

**涉及 target 及修复**：

| 报错 target | 命名空间问题 | 最终 alias |
|:--|:--|:--|
| `hip::amdhip64` | 普通 target | SHARED IMPORTED → `libamdhip64.so` |
| `hiprtc::hiprtc` | 需双冒号命名空间 | `hiprtc::hiprtc` ALIAS `hip::hiprtc` |
| `roc::hipblas` | roc:: 而非 hip:: | `roc::hipblas` ALIAS `roc::rocblas` |
| `roc::hipblaslt` | 同上 | `roc::hipblaslt` ALIAS `hip::hipblaslt` |
| `roc::hiprand` / `roc::hipsolver` 等 | 同上 | 各指向对应 `roc::roc*` target |

**注意**：`roc::hip*` → 应直接指向底层 `roc::roc*`（不能通过 `hip::hip*` 中转，因为后者本身是 ALIAS，CMake 不允许链式 ALIAS）

### 3.9 rocm-core-dev → rocm-core 包名错误

**现象**：`E: Unable to locate package rocm-core-dev`

**原因**：ROCm 7.2.1 仓库中的包名为 `rocm-core`（无 -dev 后缀）

**解决**：`s/rocm-core-dev/rocm-core/`

### 3.10 -lMIOpen 链接失败

**现象**：`/usr/bin/ld: cannot find -lMIOpen`

**原因**：miopen cmake config 使用了 `INTERFACE IMPORTED`（无实际 .so 路径），链接器找不到 `libMIOpen.so`

**解决**：改为 `SHARED IMPORTED` + 指定 `IMPORTED_LOCATION`，并检查版本化目录的符号链接

```cmake
# 错误
add_library(miopen INTERFACE IMPORTED)
# 正确
add_library(miopen SHARED IMPORTED)
set_target_properties(miopen PROPERTIES
    IMPORTED_LOCATION "/opt/rocm/lib/libMIOpen.so"
    INTERFACE_INCLUDE_DIRECTORIES "/opt/rocm/include")
```

### 3.11 printf 参数计数错误

**现象**：cmake 报 `add_library` 在第 11 行语法错误（`hiprtc-config.cmake:11`）

**原因**：生成 cmake config 的 shell printf 格式串含 13 个 `%s`，但只传了 12 个参数，最后一行 `hip::%s` 未替换

**解决**：减少单行 printf 参数，复杂结构拆成独立循环

---

## 4. Docker 缓存策略

### 4.1 vllm 编译+验证同层导致缓存丢失

**现象**：ninja 编译 30 分钟成功后被后面验证失败拖垮，全部重来

**解决**：拆为 8a（编译）和 8b（安装+验证）

| 层 | 内容 | 缓存行为 |
|:--|:--|:--|
| 8a | git clone + cmake + ninja | 编译成功即缓存，**永不丢失** |
| 8b | pip install + PyTorch 修复 + 平台补丁 | 失败可重试，不影响 8a |

### 4.2 缓存失效条件

任一 RUN 层的指令或上下文变化都会导致该层及之后所有层重建。修改 `ARG`、`ENV`、`COPY` 文件内容均会触发。

### 4.3 COPY 脚本在 RUN 引用之后

**现象**：阶段 8b 执行 `python /opt/patch_vllm_platform.py` → 文件不存在

**原因**：`COPY scripts/patch_vllm_platform.py` 在阶段 8.5（原序号），但阶段 8b 已引用该脚本——Dockerfile 中 COPY 位于引用它的 RUN 之后

**解决**：将 COPY 指令移到所有需要脚本的 RUN 之前（阶段 7.5）。规则：**COPY 必须在引用它的 RUN 之前**

---
## 5. 网络策略总览

| 资源 | 访问方式 |
|:--|:--|
| Docker Hub | daemon 代理 + 国内镜像加速器 |
| Ubuntu apt | 清华镜像 `mirrors.tuna.tsinghua.edu.cn` |
| PyPI pip | 清华镜像 `pypi.tuna.tsinghua.edu.cn/simple` |
| AMD ROCm apt | `repo.radeon.com` 直连 |
| PyTorch ROCm wheels | `download.pytorch.org` 直连 |
| GitHub (git/wget) | **Privoxy 代理 127.0.0.1:8118**（唯一例外） |

---

## 6. 构建阶段类

### 6.1 阶段 8b `pip install -e .` 触发 cmake 配置失败

**现象**：阶段 8a（cmake + ninja 手动编译）成功，但阶段 8b 执行 `pip install -e . --no-build-isolation --no-deps` 时报错：

```
TorchConfig.cmake:62 (find_package)
  → CMakeLists.txt:95 (find_package)
    → Configuring incomplete, errors occurred!
  error: failed-wheel-build-for-install
  × Failed to build installable wheels for some pyproject.toml based projects
  ╰─> vllm
```

**排查过程**：

Dockerfile 设计为阶段 8a 手动执行 `cmake -S ... -B ... -G Ninja`（携带完整 `-D` 参数）编译 vllm C++ 扩展并复制 `.abi3.so` 文件，阶段 8b 再用 `pip install -e .` 注册 Python 包。但 `pip install -e .` 通过 vllm 的 setuptools 构建扩展**再次触发 cmake**，且 vllm 内部的 cmake 调用与手动 cmake 在以下方面不可控：

1. **尝试一（ENV 透传）**：在 Dockerfile `ENV` 块中添加 `CMAKE_PREFIX_PATH`、`CMAKE_HIP_COMPILER`、`ROCM_PATH` 等 8 个 cmake 环境变量，期望 pip 触发的 cmake 继承这些值。**无效**——vllm 的 `cmake_build_ext` 内部会独立构造 cmake 参数，不完全依赖环境变量。
2. 错误始终出现在 `TorchConfig.cmake:62` 调用 `find_package(Caffe2)` 时，Caffe2 targets 引用的 ROCm cmake 目标无法被 pip 触发的 cmake 解析。

**结论**：`pip install -e .` 触发的 cmake 构建过程与阶段 8a 的手动 cmake 不在同一个可控环境中，且阶段 8b 的 `pip install -e .` 本质上是**冗余的**——C++ 扩展已在阶段 8a 编译完成。

**最终解决**：**跳过 pip install -e .，手动创建 vllm editable package 元数据**。

核心思路：阶段 8a 负责所有 C++ 编译（`.abi3.so`），阶段 8b 只负责 Python 包注册（不触发 cmake）。

具体改动（Dockerfile 阶段 8b）：

```bash
# 替换前（会触发 cmake，失败）：
cd /opt/vllm && \
${VENV}/bin/pip install -e . --no-build-isolation --no-deps && \

# 替换后（手动创建 egg-info，不触发 cmake）：
cd /opt/vllm && \
mkdir -p vllm.egg-info && \
cat > vllm.egg-info/PKG-INFO << 'VLLM_EOF' && \
Metadata-Version: 2.1
Name: vllm
Version: 0.0.0
Summary: A high-throughput and memory-efficient inference and serving engine for LLMs
VLLM_EOF
echo "vllm" > vllm.egg-info/top_level.txt && \
touch vllm.egg-info/dependency_links.txt && \
touch vllm.egg-info/requires.txt && \
find vllm -name "*.py" -type f 2>/dev/null | sort > vllm.egg-info/SOURCES.txt && \
echo "vllm egg-info created (cmake build skipped, C++ extensions from stage 8a)" && \
```

手动创建的 egg-info 包含以下文件：

| 文件 | 内容 | 用途 |
|------|------|------|
| `PKG-INFO` | `Name: vllm` + `Version: 0.0.0` | `pip freeze` / `importlib.metadata` 识别 |
| `top_level.txt` | `vllm` | 声明顶层包名 |
| `SOURCES.txt` | 所有 `.py` 文件列表 | 包文件索引 |
| `dependency_links.txt` | 空文件 | 依赖链接（无） |
| `requires.txt` | 空文件 | 运行依赖（由后续 pip install -r 安装） |

`import vllm` 的路径解析由现有的 `.pth` 文件保证：

```bash
echo "/opt/vllm" > ${VENV}/lib/python${PYTHON_VER}/site-packages/vllm.pth
```

**附：ENV 块新增的 cmake 变量（保留，对阶段 8a 和其他 cmake 调用有益）**：

```dockerfile
ENV ... \
    CMAKE_PREFIX_PATH=/opt/rocm \
    CMAKE_HIP_COMPILER=/opt/rocm/llvm/bin/clang++ \
    HIP_COMPILER=/opt/rocm/llvm/bin/clang++ \
    HIP_PATH=/opt/rocm \
    HIP_ROOT_DIR=/opt/rocm \
    HIP_INCLUDE_DIR=/opt/rocm/include \
    HIP_PLATFORM=amd \
    ROCM_PATH=/opt/rocm
```

**效果**：

- 阶段 8b 不再触发 cmake，消除了冗余编译（节省约 30 分钟）
- C++ 扩展只在阶段 8a 编译一次，职责清晰
- `pip list` / `pip freeze` 正常显示 vllm
- `import vllm` 在所有 Python 进程中正常工作

---

*最后更新: 2026-06-17*