iot-salzburg/gpu-jupyter

O que é?

Recursos principais

• 01JupyterLab pré-configurado com PyTorch e TensorFlow sobre NVIDIA CUDA.
• 02Imagens com tags de versão para experimentos reproduzíveis.
• 03Montagem de pastas locais para manter os arquivos de trabalho fora do container.
• 04Variantes apenas com Python, enxutas e completas, com Julia e R opcionais.
• 05Suporte a Docker Compose e opção de token Jupyter estático.
• 06Script gerador para criar um Dockerfile e uma imagem personalizados.

Casos de uso

• Executar experimentos de deep learning acelerados por GPU em notebooks, em uma máquina local ou servidor.
• Compartilhar um ambiente de pesquisa reproduzível com colaboradores ou em publicações.
• Configurar um ambiente padrão de ciência de dados em um host com GPU, sem instalar drivers e bibliotecas manualmente.
• Criar uma imagem específica para a equipe, adicionando pacotes personalizados à imagem base.

Início rápido

1. 1

   Instale os requisitos: drivers de GPU NVIDIA, CUDA, Docker e NVIDIA Container Toolkit

2. 2

   Verifique se a GPU está acessível no Docker

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

   Baixe e execute a imagem GPU-Jupyter e, em seguida, acesse http://localhost:8848 com o token exibido

   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 usar

• !É necessário ter uma GPU NVIDIA com drivers, CUDA, Docker e NVIDIA Container Toolkit instalados.
• !A imagem é grande e o primeiro download pode demorar bastante.

Tópicos

Perguntas frequentes

O que é gpu-jupyter?

Uma imagem Docker que oferece um JupyterLab com suporte a GPU, PyTorch, TensorFlow e ferramentas de ciência de dados para trabalhos reproduzíveis de deep learning. GPU-Jupyter é um ambiente JupyterLab baseado em Docker, construído sobre a imagem oficial CUDA da NVIDIA e o Jupyter Docker Stacks. Ele reúne PyTorch, TensorFlow e diversos pacotes de ciência de dados para você executar notebooks acelerados por GPU sem precisar instalar manualmente bibliotecas CUDA e frameworks.

gpu-jupyter é gratuito? Qual é a licença?

gpu-jupyter é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.

gpu-jupyter ainda é mantido?

Atualizado nos últimos 6 meses. O último commit de gpu-jupyter foi em 11 de ago. de 2026.

Para que posso usar gpu-jupyter?

Executar experimentos de deep learning acelerados por GPU em notebooks, em uma máquina local ou servidor. Compartilhar um ambiente de pesquisa reproduzível com colaboradores ou em publicações. Configurar um ambiente padrão de ciência de dados em um host com GPU, sem instalar drivers e bibliotecas manualmente. Criar uma imagem específica para a equipe, adicionando pacotes personalizados à imagem base.

Como instalar gpu-jupyter?

Instale os requisitos: drivers de GPU NVIDIA, CUDA, Docker e NVIDIA Container Toolkit Verifique se a GPU está acessível no Docker: docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi Baixe e execute a imagem GPU-Jupyter e, em seguida, acesse http://localhost:8848 com o token exibido: 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

Onde consigo gpu-jupyter?

O código-fonte e as instruções de instalação estão no GitHub: https://github.com/iot-salzburg/gpu-jupyter