mambaorg/micromamba

micromamba-docker 镜像文档

1. 镜像概述和主要用途

micromamba-docker 是基于 https://github.com/mamba-org/mamba#micromamba 的 Docker 镜像，旨在快速构建轻量级的 conda 环境容器。Micromamba 是 mamba-org 开发的轻量级包管理器，作为 conda 的高效替代方案，提供更快的依赖解析和包安装速度。该镜像适用于需要小型化、快速部署的 conda 环境容器化场景。

镜像托管地址：

• Docker Hub: https://hub.docker.com/r/mambaorg/micromamba
• GitHub Container Registry (GHCR): https://github.com/mamba-org/micromamba-docker/pkgs/container/micromamba

源码仓库：https://github.com/mamba-org/micromamba-docker/

用户反馈："我将项目 CI 切换到 micromamba，与使用 miniconda 镜像相比，构建时间减少了超过 2 倍" —— 一位新用户

2. 核心功能和特性

• 构建速度快：依赖 Micromamba 的高效依赖解析引擎，容器构建时间较传统 miniconda 镜像缩短 2 倍以上
• 镜像体积小：基于精简基础镜像（如 Debian Slim、Alpine），显著降低最终容器体积
• 多版本支持：提供 Micromamba 版本化标签（如 2.3.2、2.3、2）及开发版标签（如 git-fb21d17）
• 多基础系统适配：支持 Debian、Ubuntu、Alpine、Amazon Linux 等多种基础系统
• CUDA 集成：提供预配置 CUDA 环境的镜像变体，支持 GPU 加速应用部署
• conda 兼容性：完全兼容 conda 包管理生态，可无缝迁移现有 conda 环境配置

3. 使用场景和适用范围

• CI/CD 流水线：在持续集成流程中快速构建一致性 conda 环境，提升构建效率
• 开发环境标准化：为团队提供统一的 conda 开发环境，消除"本地环境差异"问题
• 轻量级生产部署：适用于对容器体积敏感的生产环境，减少资源占用
• GPU 应用开发：通过 CUDA 标签变体部署机器学习、科学计算等 GPU 加速应用
• 多平台适配：满足不同基础系统需求（Alpine 极小体积/ Debian/Ubuntu 兼容性优先）

4. 镜像标签说明

镜像提供丰富的标签变体，按基础系统和功能特性分类如下：

4.1 基础系统标签

4.2 CUDA 环境标签

提供多种 CUDA 版本与 Ubuntu 系统组合，支持 GPU 加速应用：

4.3 标签命名规则

标签采用以下格式组合：[micromamba版本]-[基础系统/特性]，例如：

• 特定版本：2.3.2-debian13-slim（Micromamba 2.3.2 + Debian 13 Slim）
• 主版本族：2-debian13-slim（Micromamba 2.x + Debian 13 Slim）
• 开发版本：git-fb21d17-debian13-slim（基于 Git commit fb21d17 的开发构建）

5. 使用方法和配置说明

5.1 基础运行

5.1.1 交互式 shell

启动包含默认 base 环境的交互式容器：

bash
docker run -it --rm mambaorg/micromamba

5.1.2 执行命令

直接在容器中运行 Micromamba 命令（如查看版本）：

bash
docker run --rm mambaorg/micromamba micromamba --version

5.2 构建自定义镜像

通过 Dockerfile 扩展基础镜像，添加自定义依赖：

5.2.1 简单依赖安装

dockerfile
FROM mambaorg/micromamba:2.3.2-debian13-slim

# 切换到默认非 root 用户（micromamba）
USER micromamba

# 创建并激活自定义环境
RUN micromamba create -n myenv python=3.11 numpy pandas -y && \
    micromamba clean -afy  # 清理缓存减小体积

# 设置默认环境
ENV MAMBA_DEFAULT_ENV=myenv
# 将环境二进制路径添加到 PATH
ENV PATH="/opt/conda/envs/myenv/bin:$PATH"

5.2.2 使用 environment.yml

通过 environment.yml 批量定义环境：

dockerfile
FROM mambaorg/micromamba:latest

# 复制环境配置文件
COPY environment.yml /tmp/

# 创建环境并清理缓存
RUN micromamba env create -f /tmp/environment.yml && \
    micromamba clean -afy

# 激活环境
ENV MAMBA_DEFAULT_ENV=myenv
ENV PATH="/opt/conda/envs/myenv/bin:$PATH"

5.3 环境变量配置

镜像支持以下环境变量自定义行为：

5.4 自定义 Conda Channels

添加额外 channels 或调整优先级：

dockerfile
FROM mambaorg/micromamba:latest

USER micromamba

# 配置 conda-forge 为优先 channel
RUN micromamba config set channels conda-forge && \
    micromamba config set channel_priority strict && \
    micromamba install -y python=3.11 && \
    micromamba clean -afy

6. 部署方案示例

6.1 Docker Compose 配置（开发环境）

docker-compose.yml:

yaml
version: '3.8'

services:
  app:
    build:
      context: .
      dockerfile: Dockerfile
    image: myapp-micromamba:latest
    volumes:
      - ./src:/app  # 挂载本地代码目录
    environment:
      - MAMBA_DEFAULT_ENV=dev
      - PYTHONUNBUFFERED=1  # Python 实时输出日志
    command: python /app/main.py

配套 Dockerfile:

dockerfile
FROM mambaorg/micromamba:2.3.2-ubuntu22.04

# 复制环境配置
COPY environment.yml /tmp/

# 创建开发环境
RUN micromamba env create -f /tmp/environment.yml && \
    micromamba clean -afy

# 配置环境变量
ENV MAMBA_DEFAULT_ENV=dev
ENV PATH="/opt/conda/envs/dev/bin:$PATH"

WORKDIR /app

6.2 GPU 应用部署（CUDA 环境）

使用 CUDA 标签部署 GPU 加速应用（需主机安装 NVIDIA Container Toolkit）：

bash
# 拉取 CUDA 12.8.1 + Ubuntu 22.04 镜像
docker pull mambaorg/micromamba:cuda12.8.1-ubuntu22.04

# 启动带 GPU 支持的交互式容器
docker run --gpus all -it --rm mambaorg/micromamba:cuda12.8.1-ubuntu22.04

# 在容器内安装 PyTorch（示例）
micromamba install -c pytorch pytorch torchvision torchaudio cudatoolkit=12.1 -y

7. 参考文档

• 官方文档与 FAQ: micromamba-docker.readthedocs.io
• Micromamba 官方文档: https://github.com/mamba-org/mamba#micromamba
• 镜像源码仓库: https://github.com/mamba-org/micromamba-docker/