iot-salzburg/gpu-jupyter

Что это?

Ключевые возможности

• 01Предварительно настроенный JupyterLab с PyTorch и TensorFlow на базе NVIDIA CUDA.
• 02Образы с тегами версий для воспроизводимых экспериментов.
• 03Подключение локальной папки, чтобы работа сохранялась за пределами контейнера.
• 04Облегчённые варианты только с Python и полная сборка с опциональными Julia и R.
• 05Поддержка Docker Compose и возможность задать статический токен Jupyter.
• 06Скрипт-генератор для создания собственного Dockerfile и образа.

Сценарии использования

• Запуск экспериментов по deep learning с GPU-ускорением в ноутбуках на локальной машине или сервере.
• Обмен воспроизводимой исследовательской средой с коллегами или её использование в публикациях.
• Настройка стандартной среды для data science на GPU-сервере без ручной установки драйверов и библиотек.
• Создание командного образа с дополнительными пакетами поверх базового образа.

Быстрый старт

1. 1

   Установите необходимые компоненты: драйверы для GPU NVIDIA, CUDA, Docker и NVIDIA Container Toolkit

2. 2

   Проверьте доступ к GPU из Docker

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

   Загрузите и запустите образ GPU-Jupyter, затем откройте http://localhost:8848, используя выведенный token

   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

Что важно знать

• !Требуется GPU NVIDIA с установленными драйверами, CUDA, Docker и NVIDIA Container Toolkit.
• !Образ большой, поэтому первая загрузка может занять много времени.

Темы

Частые вопросы

Что такое gpu-jupyter?

Docker-образ с JupyterLab и поддержкой GPU, PyTorch, TensorFlow и набором инструментов для data science — для воспроизводимой работы с deep learning. GPU-Jupyter — среда JupyterLab на базе Docker, собранная на основе официального CUDA-образа NVIDIA и Jupyter Docker Stacks. В неё входят PyTorch, TensorFlow и набор пакетов для data science, поэтому можно запускать ноутбуки с GPU-ускорением без ручной установки библиотек CUDA и фреймворков.

gpu-jupyter можно использовать бесплатно? Какая у него лицензия?

gpu-jupyter распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.

gpu-jupyter всё ещё поддерживается?

Обновлялся за последние 6 месяцев. Последний коммит в gpu-jupyter — 11 авг. 2026 г..

Для чего можно использовать gpu-jupyter?

Запуск экспериментов по deep learning с GPU-ускорением в ноутбуках на локальной машине или сервере. Обмен воспроизводимой исследовательской средой с коллегами или её использование в публикациях. Настройка стандартной среды для data science на GPU-сервере без ручной установки драйверов и библиотек. Создание командного образа с дополнительными пакетами поверх базового образа.

Как установить gpu-jupyter?

Установите необходимые компоненты: драйверы для GPU NVIDIA, CUDA, Docker и NVIDIA Container Toolkit Проверьте доступ к GPU из Docker: docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi Загрузите и запустите образ GPU-Jupyter, затем откройте http://localhost:8848, используя выведенный token: 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

Где скачать gpu-jupyter?

Исходный код и инструкции по установке — на GitHub: https://github.com/iot-salzburg/gpu-jupyter