iot-salzburg/gpu-jupyter

GPU-Jupyter: Your GPU-accelerated JupyterLab with a rich data science toolstack, TensorFlow and PyTorch for your reproducible deep learning experiments.

GPU‑Jupyter – 即开即用、GPU支持的JupyterLab环境

是什么 – 一个捆绑了NVIDIA CUDA运行时、官方 Jupyter Docker Stacks 以及完整数据科学工具链（Python、PyTorch、TensorFlow、Julia、R等）的Docker镜像（及配套脚本）。该镜像基于Ubuntu构建，可通过单条 docker run 命令启动，为您提供一个可复现、可共享的JupyterLab服务器，可直接使用主机的NVIDIA GPU。

为何重要 – 在GPU上运行深度学习代码通常需要满足以下条件：

匹配CUDA驱动版本，
安装正确的Python包，
在不同机器间保持环境可复现。 GPU‑Jupyter通过将所有内容打包进版本控制的Docker镜像来解决这些问题。同一镜像可从Docker Hub拉取，或通过自定义层在本地重建，确保实验在任何地方运行时都完全一致。

主要特性（README中描述）

开箱即用的GPU支持 – 使用 --gpus all 可让容器完全访问主机GPU。
多种预构建版本 – 提供完整版、python‑only 和 slim 变体，以满足不同大小/功能需求。
版本化镜像 – 如 v1.11_cuda-13.0_ubuntu-24.04 的标签编码了生成器版本、CUDA版本和Ubuntu基础，确保实验可复现。
内置深度学习库 – 包含PyTorch、TensorFlow，以及可选的Julia和R支持。
JupyterLab UI – 自动启动；可通过 JUPYTER_TOKEN 设置静态登录令牌。
易于自定义 – 通过 FROM cschranz/gpu-jupyter:… 的自定义Dockerfile添加额外的 apt 包或 pip 依赖。
支持Docker‑Compose – 提供示例 docker‑compose.yml，适用于更复杂的部署场景。
TensorBoard集成 – 支持端口转发（-p 6006:6006），--bind_all 标志已文档化。
强调可复现性 – README强调使用版本控制的Dockerfile、种子随机函数和带标签的数据空间。

典型使用流程

检查前置条件 – NVIDIA GPU、驱动、CUDA、Docker和NVIDIA Container Toolkit。使用 docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi 验证。

拉取并运行 – 例如：

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

打开打印出的令牌URL（或 http://localhost:8848）开始编码。

开发 – 使用挂载的 data/ 目录保存笔记本、脚本和数据集。在笔记本中运行 nvidia-smi 确认GPU可见性。
添加额外包 – 可在运行容器内执行 apt install …，或通过自定义Dockerfile扩展镜像（参见README示例）。
共享 – 将自定义镜像推送到Docker Hub，并分发Docker运行命令（或 docker‑compose.yml），使协作者可复现完全相同的环境。

快速入门资源

快速入门部分 – 逐步命令行说明。
示例项目 – github.com/iot-salzburg/reproducible-research-with-gpu-jupyter 演示完整可复现实验。
安装指南 – extra/README‑installations.md 和一篇Medium文章，介绍驱动、CUDA和NVIDIA Container Toolkit的设置。
版本列表 – extra/README‑versions.md 列出每个标签中包含的Python、PyTorch、TensorFlow、Julia和R的确切版本。
教程视频 – JupyterLab入门YouTube视频链接。

哪些人可能使用它？

研究人员与学生 – 需要便携、可复现的深度学习环境，无需处理系统级CUDA安装。
团队 – 希望共享单一Docker镜像，确保每位成员使用相同库版本。
教育者 – 寻找即插即用的GPU加速JupyterLab设置用于实验课。
DevOps / MLOps工程师 – 偏好基于Docker的笔记本部署，并希望与CI流水线集成（仓库甚至包含GitHub Actions徽章）。

指出的限制

需要NVIDIA GPU（或提供GPU的云服务商）。
正确的CUDA版本必须与主机驱动兼容；否则需重建镜像。
默认容器以 root 用户运行；可更改UID/GID以匹配主机，但挂载卷时仍需注意权限处理。

总结

GPU‑Jupyter是一个文档完善、持续维护的Docker基础发行版，可将搭载NVIDIA GPU的主机转变为预装最常用深度学习库的完整JupyterLab工作站。其对版本化镜像和易定制性的强调，使其成为可复现AI研究与教学的坚实基础。