Docker是目前广泛使用的一种容器技术，在模拟运行环境方面具有很高的灵活性和可扩展性。在计算机程序的运行过程中，显卡是不可或缺的一部分，对于机器学习和深度学习等领域尤其重要。但是，在Docker容器内使用显卡却比较麻烦，需要进行专门的配置。

在实现Docker共用显卡的过程中，需要安装NVIDIA Docker插件，该插件是专门为Docker容器提供GPU硬件加速的工具。

$ sudo apt-get update
$ sudo apt-get install -y docker.io
$ curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
$ curl -s -L https://nvidia.github.io/nvidia-docker/ubuntu16.04/amd64/nvidia-docker.list | \
sudo tee /etc/apt/sources.list.d/nvidia-docker.list
$ sudo apt-get update
$ sudo apt-get install -y nvidia-docker2
$ sudo pkill -SIGHUP dockerd

完成以上安装和配置后，在Docker容器内的操作只需要添加一句参数即可，在启动容器时添加--gpus all参数即可。

$ docker run --rm --gpus all ubuntu nvidia-smi

可以使用nvidia-smi命令查看显卡状态，如果显卡信息正确，则说明显卡已经成功共享到Docker容器内。

在使用TensorFlow、PyTorch等深度学习框架时，也可以通过添加一些参数来共享显卡。例如，在使用TensorFlow时，需要指定可见显卡列表，即设置CUDA_VISIBLE_DEVICES环境变量。

$ docker run --rm --gpus all -e CUDA_VISIBLE_DEVICES=0 tensorflow/tensorflow:latest-gpu python -c "import tensorflow as tf; tf.config.experimental.list_physical_devices('GPU')"

通过以上配置，Docker容器内可以共享计算机显卡资源，实现对显卡的高效利用。