开源|轻松使用 Docker 部署 GPU 加速的 PyTorch Jupyter Notebook，并同步代码到 GitHub

轻松使用 Docker 部署 GPU 加速的 PyTorch Jupyter Notebook，并同步代码到 GitHub

25-03-07 21:22

7439

blog.csdn.net

id="article_content" class="article_content clearfix"> id="content_views" class="markdown_views prism-atom-one-light">

在当今快速发展的深度学习领域，构建一个高效、稳定且易于管理的开发环境至关重要。本文将为您详细介绍如何使用 Docker 部署一个支持 GPU 加速的 PyTorch Jupyter Notebook 环境，助您轻松搭建高性能的深度学习开发平台。通过容器化技术，您可以确保开发环境的一致性和可移植性，避免因环境配置问题导致的开发障碍。同时，借助 GPU 的强大计算能力，您可以显著提升模型训练和推理的效率。

此外，本文还将指导您如何将 Jupyter Notebook 中的代码文件无缝托管到 GitHub，实现代码的版本控制与协作管理。无论您是深度学习初学者，还是经验丰富的研究人员，本教程都将为您提供全面、实用的步骤和技巧，帮助您高效地进行模型开发、实验记录与代码共享。通过本教程，您将掌握使用 Docker 构建专业级深度学习环境的核心技能，并能够轻松管理和分享您的研究成果，提升工作效率与协作能力。
Jupyter Notebook

1. 下载CUDA 11.6

CUDA Toolkit 11.6 Download

2. 拉取PyTorch-Notebook镜像

docker pull quay.io/jupyter/pytorch-notebook:cuda11-python-3.12.7
 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

作者使用GitHub Desktop新建GitHub仓库
记下这个仓库在本地的路径地址
作者的位置为
D:/Program Files/pytorch-notebook
按照顺序先去新建GitHub仓库会比较方便

docker run --gpus all -d -p 8888:8888 -v "D:/Program Files/pytorch-notebook/work:/home/jovyan/work" --name pytorch-notebook-gpu quay.io/jupyter/pytorch-notebook:cuda11-python-3.12.7 class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

6. 测试GPU 加速的 PyTorch Jupyter Notebook

以下为测试代码
若device为cuda则部署完成

import torch def test_cuda(): print("=== PyTorch GPU 测试 ===") # 检查 CUDA 是否可用 cuda_available = torch.cuda.is_available() print(f"CUDA 可用: {cuda_available}") if not cuda_available: print("CUDA 不可用。请确保已正确安装 NVIDIA 驱动和 CUDA 工具包，并且 Docker 容器已启用 GPU 支持。") return # 获取当前 GPU 设备数量 num_gpus = torch.cuda.device_count() print(f"检测到 GPU 数量: {num_gpus}") # 打印每个 GPU 的名称 for i in range(num_gpus): gpu_name = torch.cuda.get_device_name(i) print(f"GPU {i}: {gpu_name}") # 选择第一个 GPU 进行测试 device = torch.device("cuda:0") print(f"当前使用的设备: {device}") # 创建一个随机张量并移动到 GPU tensor_size = (1000, 1000) print(f"在 {device} 上创建一个随机张量，大小为 {tensor_size}...") tensor = torch.randn(tensor_size, device=device) # 执行简单的矩阵乘法 print("执行矩阵乘法运算...") result = torch.mm(tensor, tensor) # 检查结果是否在 GPU 上 print(f"结果张量所在设备: {result.device}") # 打印部分结果 print("运算完成。以下是结果张量的部分内容：") print(result[:5, :5]) # 打印前5行5列 if __name__ == "__main__": test_cuda() class="hljs-button signin active" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

轻松使用 Docker 部署 GPU 加速的 PyTorch Jupyter Notebook，并同步代码到 GitHub

1. 下载CUDA 11.6

2. 拉取PyTorch-Notebook镜像

3. 新建GitHub仓库

4. 运行docker容器

5. 访问Jupyter工作台

方法一

方法二

6. 测试GPU 加速的 PyTorch Jupyter Notebook

评论记录：