paperspace/fastai

Fast.ai 深度学习环境 (PyTorch)

镜像概述

本 Docker 镜像封装了 https://github.com/fastai/fastai 深度学习库及其相关的课程和教程资源。特别针对 Fast.ai 第二部分课程（基于 PyTorch）进行了优化和预配置，旨在为深度学习开发者、研究人员和学生提供一个开箱即用的开发与学习环境。

核心功能和特性

• 预配置环境：内置 Fast.ai 库及所有必要的依赖项，免去繁琐的环境配置过程。
• 基于 PyTorch：底层采用 PyTorch 框架，支持最新的深度学习模型和算法。
• 课程与教程集成：包含 Fast.ai 官方课程材料、Jupyter Notebooks 和示例代码。
• GPU 加速支持：兼容 NVIDIA Docker，支持 CUDA 加速，大幅提升模型训练和推理速度。
• Jupyter 集成：内置 Jupyter Notebook/Lab，提供交互式的代码编写和实验环境。

使用场景和适用范围

• 深度学习学习：适合正在学习 Fast.ai 课程（特别是第二部分）的学生和开发者。
• 模型原型开发：用于快速验证深度学习想法，构建计算机视觉、自然语言处理等领域的模型原型。
• 教学与培训：作为深度学习培训班或高校课程的标准化教学环境。
• 研究与实验：为研究人员提供可复现的深度学习实验环境。

使用方法和配置说明

环境变量

• JUPYTER_TOKEN：设置 Jupyter Notebook/Lab 的访问密码或 Token。如果不设置，默认将生成一个随机 Token 并在启动日志中显示。
• NVIDIA_VISIBLE_DEVICES：在使用 NVIDIA GPU 时，指定对容器可见的 GPU 设备（如 all 或 0,1）。

端口映射

• 8888：Jupyter Notebook/Lab 的默认 Web 访问端口。

Docker 部署示例

使用 Docker Run 部署 (CPU 版本)

bash
docker run -d \
  --name fastai-env \
  -p 8888:8888 \
  -v $(pwd)/fastai-data:/workspace \
  -e JUPYTER_TOKEN="my_secure_password" \
  docker.xuanyuan.run/paperspace/fastai:latest

使用 Docker Run 部署 (GPU 版本)

确保宿主机已安装 https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html%E3%80%82

bash
docker run -d \
  --name fastai-gpu-env \
  --gpus all \
  -p 8888:8888 \
  -v $(pwd)/fastai-data:/workspace \
  -e JUPYTER_TOKEN="my_secure_password" \
  docker.xuanyuan.run/paperspace/fastai:latest

使用 Docker Compose 部署

创建 docker-compose.yml 文件：

yaml
version: '3.8'

services:
  fastai:
    image: docker.xuanyuan.run/paperspace/fastai:latest
    container_name: fastai-course2
    ports:
      - "8888:8888"
    volumes:
      - ./fastai-data:/workspace
    environment:
      - JUPYTER_TOKEN=my_secure_password
      - NVIDIA_VISIBLE_DEVICES=all
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    restart: unless-stopped

启动服务：

bash
docker-compose up -d

访问与使用

容器启动后，可通过浏览器访问 http://localhost:8888。如果设置了 JUPYTER_TOKEN，请使用该密码登录；否则请查看容器日志 (docker logs fastai-env) 获取自动生成的 Token。进入环境后，即可在 /workspace 目录下开始 Fast.ai 的课程学习和模型开发。