iot-salzburg/gpu-jupyter

GPU‑Jupyter – インストール不要、GPU対応のJupyterLab環境

何であるか – NVIDIAのCUDAランタイム、公式の Jupyter Docker Stacks、およびフルなデータサイエンスツールチェーン（Python、PyTorch、TensorFlow、Julia、Rなど）をバンドルしたDockerイメージ（およびサポートスクリプト）。Ubuntu上で構築され、単一の docker run コマンドで起動可能。ホストのNVIDIA GPUを直接利用できる再現性があり、共有可能なJupyterLabサーバーを提供します。

なぜ重要か – GPU上でディープラーニングコードを実行するには通常、以下の点を満たす必要があります：

• CUDAドライバのバージョンを一致させること、
• 適切なPythonパッケージをインストールすること、
• マシン間で環境を再現可能に保つこと。 GPU‑Jupyterは、すべてをバージョン管理されたDockerイメージにパッケージ化することで、これらすべての課題を解決します。同じイメージはDocker Hubから取得可能であり、カスタムレイヤーでローカルに再ビルドすることもでき、実験がどこで実行されても完全に同一の状態を保証します。

---

主な機能（READMEに記載）

• GPUサポートは標準装備 – --gpus all を使用すると、コンテナがホストのGPUに完全アクセス可能になります。
• 複数の事前ビルド済みバリアント – サイズや機能のニーズに応じて、フルイメージ、python‑only、およびslimバージョンが用意されています。
• バージョン管理済みイメージ – v1.11_cuda-13.0_ubuntu-24.04 のようなタグは、ジェネレータバージョン、CUDAバージョン、Ubuntuベースを符号化しており、実験の再現性を確保します。
• 組み込みのディープラーニングライブラリ – PyTorch、TensorFlowに加え、オプションでJuliaとRのサポートも提供。
• JupyterLab UI – 自動起動。JUPYTER_TOKEN を設定することで、トークンログインを静的にすることができます。
• 簡単なカスタマイズ – FROM cschranz/gpu-jupyter:… を使用し、カスタムDockerfileで追加の apt パッケージや pip 要件を追加可能。
• Docker‑Compose対応 – より複雑な展開用にサンプル docker‑compose.yml が提供されています。
• TensorBoard統合 – ポートフォワーディング（-p 6006:6006）が可能で、--bind_all フラグの使用方法もドキュメント化されています。
• 再現性重視 – READMEではバージョン管理されたDockerfile、シード付き乱数関数、タグ付きデータスペースの重要性が強調されています。

---

一般的な使用ワークフロー

1. 事前要件の確認 – NVIDIA GPU、ドライバ、CUDA、Docker、NVIDIA Container Toolkit。docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi で確認。
2. 取得と実行 – 例：

   mkdir -p data
   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
   

   出力されたトークンURL（または http://localhost:8848）を開いてコードを開始。
3. 開発 – マウントされた data/ ディレクトリを使ってノートブック、スクリプト、データセットを保存。ノートブック内で nvidia-smi を実行してGPUの可視性を確認。
4. 追加パッケージの追加 – 実行中のコンテナ内で apt install … を実行するか、カスタムDockerfileでイメージを拡張（READMEの例を参照）。
5. 共有 – カスタムイメージをDocker Hubにプッシュし、Docker実行コマンド（または docker‑compose.yml）を共有することで、共同作業者が正確な環境を再現可能にします。

---

クイックスタートリソース

• クイックスタートセクション – ステップバイステップのコマンドライン手順。
• サンプルプロジェクト – github.com/iot-salzburg/reproducible-research-with-gpu-jupyter は完全な再現可能な実験の例を示します。
• インストールガイド – extra/README‑installations.md と、ドライバ、CUDA、NVIDIA Container Toolkitの設定に関するMedium記事。
• バージョン一覧 – extra/README‑versions.md は、各タグに含まれるPython、PyTorch、TensorFlow、Julia、Rの正確なバージョンを列挙しています。
• チュートリアル動画 – JupyterLab入門用のYouTube動画へのリンク。

---

どのような人にとって有用か？

• 研究者・学生 – システム全体のCUDAインストールを気にせず、ポータブルで再現可能なディープラーニング環境が必要な人。
• チーム – すべてのメンバーが同じライブラリバージョンで実行できる単一のDockerイメージを共有したい人。
• 教育者 – GPU加速ラボ用の即時利用可能なJupyterLabセットアップを探している人。
• DevOps / MLOpsエンジニア – ノートブックのDockerベースデプロイを好む人で、CIパイプラインと統合したい人（リポジトリにはGitHub Actionsバッジも含まれています）。

---

指摘された制限事項

• NVIDIA GPU（またはそのGPUを提供するクラウドプロバイダ）が必要。
• 正しいCUDAバージョンがホストドライバと互換性がある必要がある。そうでない場合は、イメージを再ビルドする必要がある。
• デフォルトのコンテナは root として実行される。ホストのUID/GIDに変更可能だが、ボリュームマウント時の権限処理には注意が必要。

---

結論

GPU‑Jupyterは、ドキュメントが充実し、積極的にメンテナンスされているDockerベースの配布物であり、NVIDIA GPUを搭載したホストマシンを、最も一般的なディープラーニングライブラリが事前にインストールされた完全なJupyterLabワークステーションに変えることができます。バージョン管理されたイメージと簡単なカスタマイズの強調により、再現可能なAI研究と教育のための堅実な基盤となっています。