Deepo 是一个开源框架，用于轻松构建专门用于深度学习研究的 Docker 镜像。它提供了一套由数十个标准组件组成的“乐高积木”，用于准备深度学习工具，并提供了一个将这些组件组合成自定义 Docker 镜像的框架。

Deepo 的核心是一个 Dockerfile 生成器，它可以：

• 让你使用类似乐高的模块来 定制你的深度学习环境
  • 通过一条命令行描述你的环境
  • Deepo 会按照最佳实践生成 Dockerfile
  • 并为你处理所有配置
• 自动解析依赖关系
  • Deepo 知道哪些 CUDA、cuDNN、Python、PyTorch、TensorFlow 等的组合是兼容的
  • 会替你选择正确的版本
  • 并通过 拓扑排序 确定正确的安装顺序

我们还提供了一系列预构建的 Docker 镜像，它们可以：

• 让你立即搭建常见的深度学习研究环境
• 支持广泛使用的 深度学习框架
• 支持 GPU 加速（包含 CUDA 和 cuDNN），同时也可在 仅 CPU 模式 下运行
• 在 Linux（CPU/GPU)、Windows（CPU) 和 macOS（CPU) 上运行

目录

• 快速入门
  • GPU 版本
    • 安装
    • 使用
  • CPU 版本
    • 安装
    • 使用
• 自定义
  • 对一体化解决方案不满意吗？
  • Jupyter 支持
  • 构建你自己的定制镜像
• 与替代方案的比较
• 标签
  • 可用标签
  • 已弃用标签
• 引用
• 贡献
• 许可

第一步：安装 Docker 和 NVIDIA 容器工具包。

第二步：从 Docker Hub 拉取一体化镜像

docker pull ufoym/deepo

docker run --gpus all --rm ufoym/deepo nvidia-smi

如果无法正常工作，请查看 NVIDIA 容器工具包 GitHub 的问题页面 — 许多解决方案已经记录在案。要在持久化容器中启动交互式 shell：

docker run --gpus all -it ufoym/deepo bash

要在主机（你的机器或虚拟机）和容器之间共享数据和配置，使用 -v 选项：

docker run --gpus all -it -v /host/data:/data -v /host/config:/config ufoym/deepo bash

这会使主机上的 /host/data 在容器内显示为 /data，而 /host/config 则显示为 /config。这种隔离有助于防止容器化的实验意外覆盖或读取错误的数据。

请注意，某些框架（如 PyTorch）使用共享内存进行进程间通信。如果你使用多进程，容器默认的共享内存大小可能不足。可以通过 --ipc=host 或 --shm-size 来增加：

docker run --gpus all -it --ipc=host ufoym/deepo bash

第一步：安装 Docker。

第二步：从 Docker Hub 拉取一体化镜像

docker pull ufoym/deepo:cpu

docker run -it ufoym/deepo:cpu bash

docker run -it -v /host/data:/data -v /host/config:/config ufoym/deepo:cpu bash

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

$ python

>>> import tensorflow
>>> import torch
>>> import keras
>>> import mxnet
>>> import chainer
>>> import paddle

$ darknet

usage: darknet <function>

来自 快速入门 的 docker pull ufoym/deepo 命令会给你一个包含所有可用深度学习框架的标准镜像。你也可以自定义属于自己的环境。

docker pull ufoym/deepo:tensorflow

docker pull ufoym/deepo

docker run --gpus all -it -p 8888:8888 -v /home/u:/root --ipc=host ufoym/deepo jupyter lab --no-browser --ip=0.0.0.0 --allow-root --LabApp.allow_origin='*' --LabApp.root_dir='/root'

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

python generate.py Dockerfile pytorch keras

python generate.py Dockerfile pytorch keras --cuda-ver 11.3.1 --cudnn-ver 8

python generate.py Dockerfile pytorch keras python==3.8

docker build -t my/deepo .

@misc{ming2017deepo,
    author = {Ming Yang},
    title = {Deepo: 使用一条命令行即可搭建深度学习环境。},
    year = {2017},
    publisher = {GitHub},
    journal = {GitHub 仓库},
    howpublished = {\url{https://github.com/ufoym/deepo}}
}

Deepo 采用 MIT 许可证。

Deepo 快速上手指南

Deepo 是一个用于深度学习研究的 Docker 镜像构建框架。它提供了一套“乐高式”的模块，能够自动解决依赖冲突（如 CUDA、cuDNN、Python 及各框架版本兼容性），帮助用户轻松定制或直接使用预构建的深度学习环境。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux (推荐), Windows (WSL2/Docker Desktop), 或 macOS。
• 前置依赖：
  • Docker: 已安装并运行。
  • NVIDIA GPU 用户: 必须额外安装 NVIDIA Container Toolkit 以支持容器内 GPU 加速。
  • CPU 用户: 仅需安装 Docker。

国内用户提示：拉取大型镜像时若速度较慢，建议配置 Docker 国内镜像加速器（如阿里云、腾讯云、网易云等）后再执行拉取命令。

2. 安装步骤

根据您的硬件环境选择以下一种方式进行安装。

方案 A：GPU 版本（推荐）

适用于拥有 NVIDIA 显卡并希望进行加速训练的用户。

1. 拉取全功能镜像（包含 TensorFlow, PyTorch, Keras, MXNet, Chainer, PaddlePaddle, Darknet 等主流框架）：

   docker pull ufoym/deepo
   

2. 验证 GPU 支持： 运行以下命令检查容器内是否能识别显卡：

   docker run --gpus all --rm ufoym/deepo nvidia-smi
   

   若输出显卡信息表格，则安装成功；若报错，请检查 NVIDIA Container Toolkit 安装情况。

方案 B：CPU 版本

适用于无独立显卡或仅需推理/轻量级开发的用户。

1. 拉取 CPU 专用镜像：

   docker pull ufoym/deepo:cpu
   

3. 基本使用

启动交互式终端

GPU 用户：

docker run --gpus all -it ufoym/deepo bash

CPU 用户：

docker run -it ufoym/deepo:cpu bash

进入容器后，您可以直接调用 Python 并使用预装的框架：

$ python
>>> import tensorflow
>>> import torch
>>> import keras
>>> import mxnet
>>> import chainer
>>> import paddle

挂载本地数据

为了避免数据隔离，通常需要将宿主机的代码或数据目录挂载到容器中。以下示例将宿主机的 /host/data 映射为容器内的 /data：

GPU 用户示例：

docker run --gpus all -it -v /host/data:/data ufoym/deepo bash

CPU 用户示例：

docker run -it -v /host/data:/data ufoym/deepo:cpu bash

进阶提示：共享内存

部分框架（如 PyTorch）在使用多进程加载数据时，可能需要更大的共享内存。若遇到相关错误，请添加 --ipc=host 参数：

docker run --gpus all -it --ipc=host ufoym/deepo bash