iot-salzburg/gpu-jupyter

¿Qué es?

Funciones clave

• 01JupyterLab preconfigurado con PyTorch y TensorFlow sobre NVIDIA CUDA.
• 02Imágenes etiquetadas por versión para realizar experimentos reproducibles.
• 03Montaje de carpetas locales para que el trabajo se conserve fuera del contenedor.
• 04Variantes solo de Python, ligeras y completas, con Julia y R opcionales.
• 05Compatibilidad con Docker Compose y opción para definir un token estático de Jupyter.
• 06Script generador para crear un Dockerfile y una imagen personalizados.

Casos de uso

• Ejecutar experimentos de deep learning acelerados por GPU en notebooks, en una máquina local o un servidor.
• Compartir un entorno de investigación reproducible con colaboradores o en publicaciones.
• Configurar un espacio de trabajo estándar de ciencia de datos en un host con GPU, sin instalar manualmente controladores ni bibliotecas.
• Crear una imagen adaptada a las necesidades de un equipo, añadiendo paquetes personalizados a la imagen base.

Inicio rápido

1. 1

   Instala los requisitos: controladores de GPU NVIDIA, CUDA, Docker y NVIDIA Container Toolkit

2. 2

   Comprueba que se puede acceder a la GPU desde Docker

   docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi
3. 3

   Descarga y ejecuta la imagen GPU-Jupyter y, a continuación, abre http://localhost:8848 con el token que se muestra

   docker run --gpus all -it -p 8848:8888 -v "$(pwd)/data:/home/jovyan/work" -e GRANT_SUDO=yes -e JUPYTER_ENABLE_LAB=yes --user root cschranz/gpu-jupyter:v1.11_cuda-13.0_ubuntu-24.04_python-only

Antes de usarlo

• !Se necesita una GPU NVIDIA con los controladores, CUDA, Docker y NVIDIA Container Toolkit instalados.
• !La imagen es grande y la primera descarga puede tardar bastante.

Temas

Preguntas frecuentes

¿Qué es gpu-jupyter?

Imagen de Docker que ofrece JupyterLab con GPU, PyTorch, TensorFlow y herramientas de ciencia de datos para trabajar con deep learning de forma reproducible. GPU-Jupyter es un entorno de JupyterLab basado en Docker, construido sobre la imagen oficial de CUDA de NVIDIA y Jupyter Docker Stacks. Incluye PyTorch, TensorFlow y un conjunto de paquetes de ciencia de datos, para que puedas ejecutar notebooks acelerados por GPU sin instalar manualmente las bibliotecas y los frameworks de CUDA.

¿gpu-jupyter es gratuito? ¿Qué licencia tiene?

gpu-jupyter es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.

¿gpu-jupyter sigue mantenido?

Actualizado en los últimos 6 meses. El último commit de gpu-jupyter fue el 11 ago 2026.

¿Para qué puedo usar gpu-jupyter?

Ejecutar experimentos de deep learning acelerados por GPU en notebooks, en una máquina local o un servidor. Compartir un entorno de investigación reproducible con colaboradores o en publicaciones. Configurar un espacio de trabajo estándar de ciencia de datos en un host con GPU, sin instalar manualmente controladores ni bibliotecas. Crear una imagen adaptada a las necesidades de un equipo, añadiendo paquetes personalizados a la imagen base.

¿Cómo se instala gpu-jupyter?

Instala los requisitos: controladores de GPU NVIDIA, CUDA, Docker y NVIDIA Container Toolkit Comprueba que se puede acceder a la GPU desde Docker: docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi Descarga y ejecuta la imagen GPU-Jupyter y, a continuación, abre http://localhost:8848 con el token que se muestra: docker run --gpus all -it -p 8848:8888 -v "$(pwd)/data:/home/jovyan/work" -e GRANT_SUDO=yes -e JUPYTER_ENABLE_LAB=yes --user root cschranz/gpu-jupyter:v1.11_cuda-13.0_ubuntu-24.04_python-only

¿Dónde consigo gpu-jupyter?

El código fuente y las instrucciones de instalación están en GitHub: https://github.com/iot-salzburg/gpu-jupyter