Repolode
提交项目
iot-salzburg

iot-salzburg/gpu-jupyter

一个基于 Docker 的 GPU 版 JupyterLab 环境，预装 PyTorch、TensorFlow 和数据科学工具，便于复现深度学习实验。

在 GitHub 查看
Star
768
Fork
238
未关闭 Issue
3
最近提交
3个月前

这是什么？

GPU-Jupyter 是基于 NVIDIA 官方 CUDA 镜像和 Jupyter Docker Stacks 构建的 JupyterLab Docker 环境。镜像预装了 PyTorch、TensorFlow 以及一套数据科学工具包，无需手动安装 CUDA 库和深度学习框架，即可运行 GPU 加速的 notebook。

项目重点在于实验可复现。镜像按版本标签发布，固定了 CUDA、Ubuntu 和各类库的版本；可以把本地目录挂载进容器，让笔记本和数据在多次运行之间保留。镜像提供多个变体，从包含 Julia 和 R 的完整版，到只含 Python 的精简版，可按需选择。

定制方式也比较灵活。可以用 Docker Compose 部署，设置固定的 Jupyter 访问令牌，通过 pip 或 apt 安装额外软件，也可以指定 CUDA 基础镜像和 Jupyter Docker Stacks 提交版本，自行生成并构建 Dockerfile。

核心功能

  • 01基于 NVIDIA CUDA 预装 PyTorch 和 TensorFlow 的 JupyterLab。
  • 02镜像带版本标签，便于复现实验。
  • 03支持挂载本地目录，工作内容可在容器外持久保存。
  • 04提供仅 Python、精简版和完整版（含 Julia 与 R）等多种镜像。
  • 05支持 Docker Compose 部署和固定 Jupyter 令牌。
  • 06提供生成脚本，可自定义 Dockerfile 并构建镜像。

适用场景

  • 在本地机器或服务器上用 notebook 运行 GPU 加速的深度学习实验。
  • 与合作者分享或在论文中提供可复现的研究环境。
  • 在 GPU 主机上快速搭建标准数据科学工作区，省去手动配置驱动和库的步骤。
  • 在基础镜像上叠加自定义包，构建适合团队使用的专用镜像。

快速上手

  1. 1

    安装依赖：NVIDIA GPU 驱动、CUDA、Docker 和 NVIDIA Container Toolkit

  2. 2

    验证 Docker 中的 GPU 访问

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

    拉取并运行 GPU-Jupyter 镜像，然后使用终端输出的令牌打开 http://localhost:8848

    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

使用前须知

  • 需要配备 NVIDIA GPU，并已安装驱动、CUDA、Docker 和 NVIDIA Container Toolkit。
  • 镜像体积较大，首次下载可能耗时较长。

标签

#jupyter#docker#gpu-computing#pytorch#tensorflow#deep-learning#reproducible-research#environment#gpu-acceleration#jupyter-server

常见问题

gpu-jupyter 是什么？
一个基于 Docker 的 GPU 版 JupyterLab 环境，预装 PyTorch、TensorFlow 和数据科学工具，便于复现深度学习实验。 GPU-Jupyter 是基于 NVIDIA 官方 CUDA 镜像和 Jupyter Docker Stacks 构建的 JupyterLab Docker 环境。镜像预装了 PyTorch、TensorFlow 以及一套数据科学工具包，无需手动安装 CUDA 库和深度学习框架，即可运行 GPU 加速的 notebook。
gpu-jupyter 可以免费使用吗？用的什么许可证？
gpu-jupyter 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。
gpu-jupyter 还在维护吗？
半年内有更新。gpu-jupyter 最近一次提交是在 2026年8月11日。
gpu-jupyter 适合用来做什么？
在本地机器或服务器上用 notebook 运行 GPU 加速的深度学习实验。 与合作者分享或在论文中提供可复现的研究环境。 在 GPU 主机上快速搭建标准数据科学工作区，省去手动配置驱动和库的步骤。 在基础镜像上叠加自定义包，构建适合团队使用的专用镜像。
gpu-jupyter 怎么安装和运行？
安装依赖：NVIDIA GPU 驱动、CUDA、Docker 和 NVIDIA Container Toolkit 验证 Docker 中的 GPU 访问: docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi 拉取并运行 GPU-Jupyter 镜像，然后使用终端输出的令牌打开 http://localhost:8848: 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
在哪里获取 gpu-jupyter？
源代码和安装说明在 GitHub 上：https://github.com/iot-salzburg/gpu-jupyter

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。

相关项目