ufoym/deepo

快速开始

GPU版本

安装

使用

尝试以下命令验证GPU是否可用：

bash
docker run --runtime=nvidia --rm docker.xuanyuan.run/ufoym/deepo nvidia-smi

CPU版本

安装

使用

启动交互式shell：

bash
docker run -it docker.xuanyuan.run/ufoym/deepo:cpu bash

若需共享数据和配置，使用-v选项：

bash
docker run -it -v /主机数据路径:/容器数据路径 -v /主机配置路径:/容器配置路径 docker.xuanyuan.run/ufoym/deepo:cpu bash

这会将主机的/主机数据路径映射为容器内的/容器数据路径，/主机配置路径映射为/容器配置路径。

注意：部分框架（如PyTorch）使用共享内存进行进程间数据共享，若使用多进程，需增加共享内存：

bash
docker run -it --ipc=host docker.xuanyuan.run/ufoym/deepo:cpu bash

现在您已准备好开始深度学习之旅。

$ python

python
>>> import tensorflow
>>> import sonnet
>>> import torch
>>> import keras
>>> import mxnet
>>> import cntk
>>> import chainer
>>> import theano
>>> import lasagne
>>> import caffe
>>> import caffe2

$ caffe --version

caffe version 1.0.0

$ darknet

usage: darknet <function>

$ th

 │  ______             __   |  Torch7
 │ /_  __/__  ________/ /   |  Scientific computing for Lua.
 │  / / / _ \/ __/ __/ _ \  |  Type ? for help
 │ /_/  \___/_/  \__/_//_/  |  https://github.com/torch
 │                          |  http://torch.ch
 │
 │
 │th>

定制化

快速开始中提到的docker pull docker.xuanyuan.run/ufoym/deepo获取的是包含所有深度学习框架的标准镜像。您也可以定制自己的环境。

不满足于全功能版本？

若只需特定框架而非全功能镜像，可在镜像名后添加框架名称作为标签。例如，如需TensorFlow：

bash
docker pull docker.xuanyuan.run/ufoym/deepo:tensorflow

Jupyter支持

步骤1：拉取带Jupyter支持的镜像

bash
docker pull docker.xuanyuan.run/ufoym/deepo:all-jupyter

步骤2：运行镜像

bash
docker run --runtime=nvidia -it -p 8888:8888 --ipc=host docker.xuanyuan.run/ufoym/deepo:all-jupyter jupyter notebook --no-browser --ip=0.0.0.0 --allow-root --NotebookApp.token= --notebook-dir='/root'

通过类乐高模块化方式构建自定义镜像

步骤1：准备生成器

bash
git clone https://github.com/ufoym/deepo.git
cd deepo/generator

步骤2：生成自定义Dockerfile

例如，如需pytorch和lasagne：

bash
python generate.py Dockerfile pytorch lasagne

生成器会自动处理依赖关系并进行拓扑排序，无需担心依赖缺失或顺序问题。也可指定Python版本：

bash
python generate.py Dockerfile pytorch lasagne python==3.6

步骤3：构建Dockerfile

bash
docker build -t my/deepo .

构建过程可能需要几分钟，因为部分库需从源码编译。

与替代方案的比较

标签

可用标签

已弃用标签