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 – 即開即用、GPU支援的JupyterLab環境

是什麼 – 一個整合了NVIDIA CUDA執行時、官方 Jupyter Docker Stacks 以及完整資料科學工具鏈（Python、PyTorch、TensorFlow、Julia、R等）的Docker映像（及支援腳本）。該映像基於Ubuntu建構，可透過單一 docker run 命令啟動，提供一個可重現、可共享的JupyterLab伺服器，可直接使用主機的NVIDIA GPU。

為何重要 – 在GPU上執行深度學習程式通常需要滿足以下條件：

匹配CUDA驅動版本，
安裝正確的Python套件，
在不同機器間保持環境可重現。 GPU‑Jupyter透過將所有內容打包進版本控制的Docker映像來解決這些問題。同一映像可從Docker Hub拉取，或透過自訂層在本機重建，確保實驗在任何地方執行時都完全一致。

主要特性（README中描述）

開箱即用的GPU支援 – 使用 --gpus all 可讓容器完全存取主機GPU。
多種預建構版本 – 提供完整版、python‑only 和 slim 變體，以滿足不同大小/功能需求。
版本化映像 – 如 v1.11_cuda-13.0_ubuntu-24.04 的標籤編碼了產生器版本、CUDA版本和Ubuntu基礎，確保實驗可重現。
內建深度學習庫 – 包含PyTorch、TensorFlow，以及可選的Julia和R支援。
JupyterLab UI – 自動啟動；可透過 JUPYTER_TOKEN 設定靜態登入令牌。
易於自訂 – 透過 FROM cschranz/gpu-jupyter:… 的自訂Dockerfile新增額外的 apt 套件或 pip 依賴。
支援Docker‑Compose – 提供範例 docker‑compose.yml，適用於更複雜的部署場景。
TensorBoard整合 – 支援端口轉發（-p 6006:6006），--bind_all 標誌已文件化。
強調可重現性 – README強調使用版本控制的Dockerfile、種子隨機函數和帶標籤的資料空間。

典型使用流程

檢查前置條件 – NVIDIA GPU、驅動、CUDA、Docker和NVIDIA Container Toolkit。使用 docker run --rm --gpus all nvidia/cuda:13.0.3-cudnn-runtime-ubuntu24.04 nvidia-smi 驗證。

拉取並執行 – 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

打開列印出的權杖URL（或 http://localhost:8848）開始編碼。

開發 – 使用掛載的 data/ 目錄儲存筆記本、腳本和資料集。在筆記本中執行 nvidia-smi 確認GPU可見性。
新增額外套件 – 可在執行中的容器內執行 apt install …，或透過自訂Dockerfile擴展映像（參見README範例）。
共享 – 將自訂映像推送到Docker Hub，並分發Docker執行命令（或 docker‑compose.yml），使協作者可重現完全相同的環境。

快速入門資源

快速入門部分 – 逐步命令列說明。
範例專案 – github.com/iot-salzburg/reproducible-research-with-gpu-jupyter 演示完整可重現實驗。
安裝指南 – extra/README‑installations.md 和一篇Medium文章，介紹驅動、CUDA和NVIDIA Container Toolkit的設定。
版本列表 – extra/README‑versions.md 列出每個標籤中包含的Python、PyTorch、TensorFlow、Julia和R的確切版本。
教學影片 – JupyterLab入門YouTube影片連結。

哪些人可能使用它？

研究人員與學生 – 需要可攜帶、可重現的深度學習環境，無需處理系統級CUDA安裝。
團隊 – 希望共享單一Docker映像，確保每位成員使用相同套件版本。
教育者 – 尋找即插即用的GPU加速JupyterLab設定用於實驗課。
DevOps / MLOps工程師 – 偏好基於Docker的筆記本部署，並希望與CI流水線整合（倉儲甚至包含GitHub Actions徽章）。

指出的限制

需要NVIDIA GPU（或提供GPU的雲端服務商）。
正確的CUDA版本必須與主機驅動相容；否則需重建映像。
預設容器以 root 使用者執行；可變更UID/GID以匹配主機，但掛載卷時仍需注意權限處理。

總結

GPU‑Jupyter是一個文件完善、持續維護的Docker基礎發行版，可將搭載NVIDIA GPU的主機轉變為預裝最常用深度學習庫的完整JupyterLab工作站。其對版本化映像和易自訂性的強調，使其成為可重現AI研究與教學的堅實基礎。