$nvidia-dockerrun-it-p8888:8888tensorflow/tensorflow:latest-gpu##持久nvidia-dockerrun-ePASSWORD=your_jupyter_passwd \# set password-d\# run as daemon-p8888:8888\# port binding--nametensorflow \-v/data/dir/on/host
3.拉取tensorflow:2.2.0-jupyter镜像 在这里解释一下,我们直接创建运行一个容器,容器名字映射的镜像为tensorflow:2.2.0-jupyter。 我们一开始就查看了docker镜像列表,镜像列表里其实毛都没有。但是只要你的容器名称跟你要拉取的镜像名称一样的话, docker会根据你的命令检查镜像列表,发现没有镜像,就会直接去下载该镜像。
然后是安装jupyterlab pip install jupyterlab 1. 这里其实最好用这一行,改换成国内源: pip install jupyterlab -i https://pypi.tuna.tsinghua.edu.cn/simple 1. 然后,键入python,进入python命令行,这时候其实也可以输入下import tensorflow 或者torch看看自己拉的镜像对不对。 然后输入以下代码: from notebook....
docker run -it -p 80:8000 tensorflow/tensorflow:latest-jupyter 我的思路是用Nginx做反向代理,进一步隐藏真实端口,这样更加安全。所以先映射到8000端口,而不是直接使用jupyter使用的8888(当然jupyter默认使用的端口也可以修改,这里不做介绍)。 第一次进入时,会直接在外部看到jupyter输出的信息并且已经启动了jupyter,直...
即可jupyter -lab 测试pytorch和TensorFlow ,gpu版本均能运行!!! 注意文件映射位置: 因此我们项目地址可以存在container中中。 开发项目的地址为中设置的。因此在container中和wls ubuntu目录下均有映射的文件。 进入vscode docker中,在容器中右键 Attach Visual Studio Code即可进入容器内,进行相关project的开发。
Docker is a platform designed to help developers build, share, and run container applications. We handle the tedious setup, so you can focus on the code.
即可jupyter -lab 测试pytorch和TensorFlow ,gpu版本均能运行!!! 注意文件映射位置: 因此我们项目地址可以存在container中/tf-jinqiu中。 开发项目的地址为docker-compose.yaml中设置的/tf-jinqiu。因此在container中/tf-jinqiu和wls ubuntu/tf-jinqiu目录下均有映射的文件。
现在深度学习的框架主要有Tensorflow,Pytorch,MXNet,Paddle和Keras,简单总结一下: 就是想构建一个镜像,将这些都安装进去,避免每次都需要编译一个,镜像多了管理也难。 2. 基础镜像 基础镜像包含cuda和python的基础组件,Dockerfile如下: 主要在NVIDIA镜像的基础上安装了Python3和pip,还有配置环境变量。
jupyter/tensorflow-notebook: 这个镜像包括了Python、Jupyter、以及TensorFlow库,并且也支持pytorch。 pytorch/pytorch: 这个镜像是官方提供的,包括了最新的PyTorch版本,并且也包括了Jupyter Notebook。 在使用这些镜像时,可以通过Docker命令或者Docker Compose进行部署和管理。
这是在jupyter/scipy-notebook的基础上增加了tensorflow的库。还有装好其他环境的image,大家可以参考《在树莓派/JetsonNano安装docker》下载jupyter image选好了image,运行以下命令就能下载对应的image到本地sudo docker pull jupyter/base-notebook运行jupytersudo docker run -p 8888:8888 -v /home/bbot:/home/jovy...