[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-ufoym--deepo":3,"similar-ufoym--deepo":126},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":19,"owner_website":21,"owner_url":22,"languages":23,"stars":32,"forks":33,"last_commit_at":34,"license":35,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":39,"env_deps":40,"category_tags":54,"github_topics":57,"view_count":75,"oss_zip_url":19,"oss_zip_packed_at":19,"status":76,"created_at":77,"updated_at":78,"faqs":79,"releases":115},5216,"ufoym\u002Fdeepo","deepo","Setup and customize deep learning environment in seconds.","deepo 是一个专为深度学习研究打造的开源框架，旨在帮助用户在几秒钟内轻松搭建并定制专属的 Docker 环境。它主要解决了深度学习领域长期存在的痛点：环境配置复杂、依赖关系繁琐以及不同框架版本兼容性难调等问题。通过 deepo，用户无需手动处理复杂的安装脚本或担心 CUDA、cuDNN、Python 与主流框架（如 PyTorch、TensorFlow）之间的版本冲突，系统会自动解析依赖并按正确顺序完成安装。\n\n这款工具特别适合 AI 研究人员、数据科学家及深度学习开发者使用。无论是需要快速复现论文实验，还是希望构建包含特定组件的定制化环境，deepo 都能提供极大便利。其核心亮点在于“乐高式”的模块化设计：用户只需通过一行命令描述需求，deepo 即可生成遵循最佳实践的 Dockerfile。此外，deepo 不仅提供预构建的镜像支持 GPU 加速和 CPU 模式，兼容 Linux、Windows 和 macOS 系统，还允许高级用户像搭积木一样自由组合组件，灵活打造个性化的研发环境，让科研人员能将更多精力专注于算法创新而非环境调试。","![deepo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fufoym_deepo_readme_d73fe9734f88.png)\n\n![workflows](https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fworkflows\u002Fdeepo%20CI\u002Fbadge.svg)\n[![docker](https:\u002F\u002Fimg.shields.io\u002Fdocker\u002Fpulls\u002Fufoym\u002Fdeepo.svg)](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo)\n![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fufoym\u002Fdeepo.svg)\n\n\n---\n\n***Deepo*** is an open framework for painlessly assembling specialized [*Docker*](http:\u002F\u002Fwww.docker.com\u002F) images for deep learning research. It provides a \"Lego set\" of dozens of standard components for preparing deep learning tools, along with a framework for composing them into custom Docker images.\n\nAt the core of Deepo is a Dockerfile generator that\n- lets you [customize your deep learning environment](#Build) with Lego-like modules\n  - describe your environment in a single command line\n  - Deepo generates Dockerfiles following best practices\n  - and handles all the configuration for you\n- automatically resolves dependencies\n  - Deepo knows which combinations of CUDA, cuDNN, Python, PyTorch, TensorFlow, etc. are compatible\n  - picks the right versions on your behalf\n  - and determines the correct installation order via [topological sorting](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTopological_sorting)\n\nWe also provide a series of pre-built Docker images that\n- let you instantly set up common deep learning research environments\n- support widely used [deep learning frameworks](#Available-tags)\n- support [GPU acceleration](#GPU) (CUDA and cuDNN included) and also work in [CPU-only mode](#CPU)\n- run on Linux ([CPU](#CPU)\u002F[GPU](#GPU)), Windows ([CPU](#CPU)), and macOS ([CPU](#CPU))\n\n---\n\n# Table of contents\n- [Quick Start](#Quick-Start)\n  - [GPU Version](#GPU)\n    - [Installation](#Installation)\n    - [Usage](#Usage)\n  - [CPU Version](#CPU)\n    - [Installation](#Installation-cpu)\n    - [Usage](#Usage-cpu)\n- [Customization](#Customization)\n  - [Unhappy with all-in-one solution?](#One)\n  - [Jupyter support](#Jupyter)\n  - [Build your own customized image](#Build)\n- [Comparison to Alternatives](#Comparison)\n- [Tags](#Tags)\n  - [Available Tags](#Available-tags)\n  - [Deprecated Tags](#Deprecated-tags)\n- [Citation](#Citation)\n- [Contributing](#Contributing)\n- [Licensing](#Licensing)\n\n---\n\n\u003Ca name=\"Quick-Start\"\u002F>\n\n# Quick Start\n\n\n\u003Ca name=\"GPU\"\u002F>\n\n## GPU Version\n\n\u003Ca name=\"Installation\"\u002F>\n\n### Installation\n\n#### Step 1. Install [Docker](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstallation\u002F) and [NVIDIA Container Toolkit](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html).\n\n#### Step 2. Pull the all-in-one image from [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo)\n\n```bash\ndocker pull ufoym\u002Fdeepo\n```\n\n\u003Ca name=\"Usage\"\u002F>\n\n### Usage\n\nVerify that GPU access works inside a container:\n```bash\ndocker run --gpus all --rm ufoym\u002Fdeepo nvidia-smi\n```\nIf this does not work, check [the issues section of the NVIDIA Container Toolkit GitHub](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-container-toolkit\u002Fissues) — many solutions are already documented. To launch an interactive shell in a persistent container:\n\n```bash\ndocker run --gpus all -it ufoym\u002Fdeepo bash\n```\n\nTo share data and configuration between the host (your machine or VM) and the container, use the `-v` option:\n```bash\ndocker run --gpus all -it -v \u002Fhost\u002Fdata:\u002Fdata -v \u002Fhost\u002Fconfig:\u002Fconfig ufoym\u002Fdeepo bash\n```\nThis makes `\u002Fhost\u002Fdata` on the host visible as `\u002Fdata` inside the container, and `\u002Fhost\u002Fconfig` as `\u002Fconfig`. This isolation helps prevent containerized experiments from accidentally overwriting or reading the wrong data.\n\nNote that some frameworks (e.g., PyTorch) use shared memory for inter-process communication. If you use multiprocessing, the container's default shared memory size may be insufficient. Increase it with `--ipc=host` or `--shm-size`:\n```bash\ndocker run --gpus all -it --ipc=host ufoym\u002Fdeepo bash\n```\n\n\n\u003Ca name=\"CPU\"\u002F>\n\n## CPU Version\n\n\u003Ca name=\"Installation-cpu\"\u002F>\n\n### Installation\n\n#### Step 1. Install [Docker](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstallation\u002F).\n\n#### Step 2. Pull the all-in-one image from [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo)\n\n```bash\ndocker pull ufoym\u002Fdeepo:cpu\n```\n\n\u003Ca name=\"Usage-cpu\"\u002F>\n\n### Usage\n\nLaunch an interactive shell:\n```bash\ndocker run -it ufoym\u002Fdeepo:cpu bash\n```\n\nTo share data and configuration between the host (your machine or VM) and the container, use the `-v` option:\n```bash\ndocker run -it -v \u002Fhost\u002Fdata:\u002Fdata -v \u002Fhost\u002Fconfig:\u002Fconfig ufoym\u002Fdeepo:cpu bash\n```\nThis makes `\u002Fhost\u002Fdata` on the host visible as `\u002Fdata` inside the container, and `\u002Fhost\u002Fconfig` as `\u002Fconfig`. This isolation helps prevent containerized experiments from accidentally overwriting or reading the wrong data.\n\nNote that some frameworks (e.g., PyTorch) use shared memory for inter-process communication. If you use multiprocessing, the container's default shared memory size may be insufficient. Increase it with `--ipc=host` or `--shm-size`:\n```bash\ndocker run -it --ipc=host ufoym\u002Fdeepo:cpu bash\n```\n\n\n_You are now ready to begin your journey._\n\n\n```\n$ python\n```\n```python\n>>> import tensorflow\n>>> import torch\n>>> import keras\n>>> import mxnet\n>>> import chainer\n>>> import paddle\n```\n\n```\n$ darknet\n```\n```\nusage: darknet \u003Cfunction>\n```\n\n\u003Ca name=\"Customization\"\u002F>\n\n# Customization\n\nThe `docker pull ufoym\u002Fdeepo` command from [Quick Start](#Quick-Start) gives you a standard image containing every available deep learning framework. You can also customize your own environment.\n\n\u003Ca name=\"One\"\u002F>\n\n## Unhappy with all-in-one solution?\n\nIf you prefer a single framework instead of the all-in-one image, simply append a tag with the framework name.\nFor example, to pull TensorFlow only:\n```bash\ndocker pull ufoym\u002Fdeepo:tensorflow\n```\n\n\u003Ca name=\"Jupyter\"\u002F>\n\n## Jupyter Support\n\n#### Step 1. Pull the all-in-one image\n\n```bash\ndocker pull ufoym\u002Fdeepo\n```\n\n#### Step 2. Run the image\n```bash\ndocker run --gpus all -it -p 8888:8888 -v \u002Fhome\u002Fu:\u002Froot --ipc=host ufoym\u002Fdeepo jupyter lab --no-browser --ip=0.0.0.0 --allow-root --LabApp.allow_origin='*' --LabApp.root_dir='\u002Froot'\n```\n\n\n\u003Ca name=\"Build\"\u002F>\n\n## Build Your Own Customized Image with Lego-like Modules\n\n#### Step 1. Set up the generator\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo.git\ncd deepo\u002Fgenerator\n```\n\n#### Step 2. Generate a customized Dockerfile\n\nFor example, to create an image with `pytorch` and `keras`:\n```bash\npython generate.py Dockerfile pytorch keras\n```\nOr with CUDA 11.3 and cuDNN 8:\n```bash\npython generate.py Dockerfile pytorch keras --cuda-ver 11.3.1 --cudnn-ver 8\n```\n\nThis generates a Dockerfile with everything needed to build `pytorch` and `keras`. The generator automatically resolves dependencies and topologically sorts them, so you don't need to worry about missing packages or ordering.\n\nYou can also specify the Python version:\n```bash\npython generate.py Dockerfile pytorch keras python==3.8\n```\n\n#### Step 3. Build the Dockerfile\n\n```bash\ndocker build -t my\u002Fdeepo .\n```\n\nThis may take several minutes, as some libraries are compiled from source.\n\n\n\u003Ca name=\"Comparison\"\u002F>\n\n# Comparison to Alternatives\n\n\n.                                                  | modern-deep-learning | dl-docker          | jupyter-deeplearning | Deepo\n:------------------------------------------------: | :------------------: | :----------------: | :------------------: | :----------------:\n [ubuntu](https:\u002F\u002Fwww.ubuntu.com)                  | 16.04                | 14.04              | 14.04                | 20.04\n [cuda](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone)    | X                    | 8.0                | 6.5-8.0              | 11.3\u002FNone\n [cudnn](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn)       | X                    | v5                 | v2-5                 | v8\n [onnx](https:\u002F\u002Fonnx.ai)                           | X                    | X                  | X                    | O\n [tensorflow](http:\u002F\u002Fwww.tensorflow.org)            | O                    | O                  | O                    | O\n [pytorch](http:\u002F\u002Fpytorch.org)                      | X                    | X                  | X                    | O\n [keras](https:\u002F\u002Fkeras.io)                          | O                    | O                  | O                    | O\n [mxnet](http:\u002F\u002Fmxnet.incubator.apache.org)         | X                    | X                  | X                    | O\n [chainer](https:\u002F\u002Fchainer.org)                     | X                    | X                  | X                    | O\n [darknet](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002F)           | X                    | X                  | X                    | O\n [paddlepaddle](https:\u002F\u002Fwww.paddlepaddle.org.cn\u002F)   | X                    | X                  | X                    | O\n\n\n\n\u003Ca name=\"Tags\"\u002F>\n\n# Tags\n\n\n\u003Ca name=\"Available-tags\"\u002F>\n\n## Available Tags\n\n\n.                                                  | CUDA 11.3 \u002F Python 3.8                                    | CPU-only \u002F Python 3.8\n:------------------------------------------------: | :-------------------------------------------------------: | :-----------------------------------------:\n all-in-one                                        | `latest` `all` `all-py38` `py38-cu113` `all-py38-cu113`   | `all-py38-cpu` `all-cpu` `py38-cpu` `cpu`\n [TensorFlow](http:\u002F\u002Fwww.tensorflow.org)           | `tensorflow-py38-cu113` `tensorflow-py38` `tensorflow`    | `tensorflow-py38-cpu` `tensorflow-cpu`\n [PyTorch](http:\u002F\u002Fpytorch.org)                     | `pytorch-py38-cu113` `pytorch-py38` `pytorch`             | `pytorch-py38-cpu` `pytorch-cpu`\n [Keras](https:\u002F\u002Fkeras.io)                         | `keras-py38-cu113` `keras-py38` `keras`                   | `keras-py38-cpu` `keras-cpu`\n [MXNet](http:\u002F\u002Fmxnet.incubator.apache.org)        | `mxnet-py38-cu113` `mxnet-py38` `mxnet`                   | `mxnet-py38-cpu` `mxnet-cpu`\n [Chainer](https:\u002F\u002Fchainer.org)                    | `chainer-py38-cu113` `chainer-py38` `chainer`             | `chainer-py38-cpu` `chainer-cpu`\n [Darknet](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002F)          | `darknet-cu113` `darknet`                                 | `darknet-cpu`\n [PaddlePaddle](https:\u002F\u002Fwww.paddlepaddle.org.cn\u002F)  | `paddle-cu113` `paddle`                                   | `paddle-cpu`\n\n\n\u003Ca name=\"Deprecated-tags\"\u002F>\n\n## Deprecated Tags\n\n.                                                  | CUDA 11.3 \u002F Python 3.6         | CUDA 11.1 \u002F Python 3.6         | CUDA 10.1 \u002F Python 3.6         | CUDA 10.0 \u002F Python 3.6         | CUDA 9.0 \u002F Python 3.6                        | CUDA 9.0 \u002F Python 2.7                    | CPU-only \u002F Python 3.6                       | CPU-only \u002F Python 2.7\n:------------------------------------------------: | :----------------------------: | :----------------------------: | :----------------------------: | :----------------------------: | :------------------------------------------: | :--------------------------------:       | :-----------------------------------------: | :----------------------------------------:\n all-in-one                                        | `py36-cu113` `all-py36-cu113`  | `py36-cu111` `all-py36-cu111`  | `py36-cu101` `all-py36-cu101`  | `py36-cu100` `all-py36-cu100`  | `py36-cu90` `all-py36-cu90`                  | `all-py27-cu90` `all-py27` `py27-cu90`   |                                             | `all-py27-cpu` `py27-cpu`\n all-in-one with jupyter                           |                                |                                |                                |                                | `all-jupyter-py36-cu90`                      | `all-py27-jupyter` `py27-jupyter`        |                                             | `all-py27-jupyter-cpu` `py27-jupyter-cpu`\n [Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano) | `theano-py36-cu113`            | `theano-py36-cu111`            | `theano-py36-cu101`            | `theano-py36-cu100`            | `theano-py36-cu90`                           | `theano-py27-cu90` `theano-py27`         |                                             | `theano-py27-cpu`\n [TensorFlow](http:\u002F\u002Fwww.tensorflow.org)           | `tensorflow-py36-cu113`        | `tensorflow-py36-cu111`        | `tensorflow-py36-cu101`        | `tensorflow-py36-cu100`        | `tensorflow-py36-cu90`                       | `tensorflow-py27-cu90` `tensorflow-py27` |                                             | `tensorflow-py27-cpu`\n [Sonnet](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsonnet)      | `sonnet-py36-cu113`            | `sonnet-py36-cu111`            | `sonnet-py36-cu101`            | `sonnet-py36-cu100`            | `sonnet-py36-cu90`                           | `sonnet-py27-cu90` `sonnet-py27`         |                                             | `sonnet-py27-cpu`\n [PyTorch](http:\u002F\u002Fpytorch.org)                     | `pytorch-py36-cu113`           | `pytorch-py36-cu111`           | `pytorch-py36-cu101`           | `pytorch-py36-cu100`           | `pytorch-py36-cu90`                          | `pytorch-py27-cu90` `pytorch-py27`       |                                             | `pytorch-py27-cpu`\n [Keras](https:\u002F\u002Fkeras.io)                         | `keras-py36-cu113`             | `keras-py36-cu111`             | `keras-py36-cu101`             | `keras-py36-cu100`             | `keras-py36-cu90`                            | `keras-py27-cu90` `keras-py27`           |                                             | `keras-py27-cpu`\n [Lasagne](http:\u002F\u002Flasagne.readthedocs.io)          | `lasagne-py36-cu113`           | `lasagne-py36-cu111`           | `lasagne-py36-cu101`           | `lasagne-py36-cu100`           | `lasagne-py36-cu90`                          | `lasagne-py27-cu90` `lasagne-py27`       |                                             | `lasagne-py27-cpu`\n [MXNet](http:\u002F\u002Fmxnet.incubator.apache.org)        | `mxnet-py36-cu113`             | `mxnet-py36-cu111`             | `mxnet-py36-cu101`             | `mxnet-py36-cu100`             | `mxnet-py36-cu90`                            | `mxnet-py27-cu90` `mxnet-py27`           |                                             | `mxnet-py27-cpu`\n [CNTK](http:\u002F\u002Fcntk.ai)                            | `cntk-py36-cu113`              | `cntk-py36-cu111`              | `cntk-py36-cu101`              | `cntk-py36-cu100`              | `cntk-py36-cu90`                             | `cntk-py27-cu90` `cntk-py27`             |                                             | `cntk-py27-cpu`\n [Chainer](https:\u002F\u002Fchainer.org)                    | `chainer-py36-cu113`           | `chainer-py36-cu111`           | `chainer-py36-cu101`           | `chainer-py36-cu100`           | `chainer-py36-cu90`                          | `chainer-py27-cu90` `chainer-py27`       |                                             | `chainer-py27-cpu`\n [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org)          | `caffe-py36-cu113`             | `caffe-py36-cu111`             | `caffe-py36-cu101`             | `caffe-py36-cu100`             | `caffe-py36-cu90`                            | `caffe-py27-cu90` `caffe-py27`           |                                             | `caffe-py27-cpu`\n [Caffe2](https:\u002F\u002Fcaffe2.ai)                       |                                |                                |                                |                                | `caffe2-py36-cu90` `caffe2-py36` `caffe2`    | `caffe2-py27-cu90` `caffe2-py27`         | `caffe2-py36-cpu` `caffe2-cpu`              | `caffe2-py27-cpu`\n [Torch](http:\u002F\u002Ftorch.ch\u002F)                         | `torch-cu113`                  | `torch-cu111`                  | `torch-cu101`                  | `torch-cu100`                  | `torch-cu90`                                 | `torch-cu90` `torch`                     |                                             | `torch-cpu`\n [Darknet](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002F)          | `darknet-cu113`                | `darknet-cu111`                | `darknet-cu101`                | `darknet-cu100`                | `darknet-cu90`                               | `darknet-cu90` `darknet`                 |                                             | `darknet-cpu`\n\n\n\u003Ca name=\"Citation\"\u002F>\n\n# Citation\n```\n@misc{ming2017deepo,\n    author = {Ming Yang},\n    title = {Deepo: Set up a deep learning environment with a single command line.},\n    year = {2017},\n    publisher = {GitHub},\n    journal = {GitHub repository},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo}}\n}\n```\n\u003Ca name=\"Contributing\"\u002F>\n\n# Contributing\n\nWe appreciate all contributions. If you are planning to contribute bug fixes, please go ahead and open a pull request directly. If you plan to contribute new features, utility functions, or extensions, please open an issue first to discuss your idea with us.\n\n\u003Ca name=\"Licensing\"\u002F>\n\n# Licensing\n\nDeepo is [MIT licensed](https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fblob\u002Fmaster\u002FLICENSE).\n","![deepo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fufoym_deepo_readme_d73fe9734f88.png)\n\n![workflows](https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fworkflows\u002Fdeepo%20CI\u002Fbadge.svg)\n[![docker](https:\u002F\u002Fimg.shields.io\u002Fdocker\u002Fpulls\u002Fufoym\u002Fdeepo.svg)](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo)\n![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fufoym\u002Fdeepo.svg)\n\n\n---\n\n***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*](http:\u002F\u002Fwww.docker.com\u002F) 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。\n\nDeepo 的核心是一个 Dockerfile 生成器，它可以：\n- 让你使用类似乐高的模块来 [定制你的深度学习环境](#Build)\n  - 通过一条命令行描述你的环境\n  - Deepo 会按照最佳实践生成 Dockerfile\n  - 并为你处理所有配置\n- 自动解析依赖关系\n  - Deepo 知道哪些 CUDA、cuDNN、Python、PyTorch、TensorFlow 等的组合是兼容的\n  - 会替你选择正确的版本\n  - 并通过 [拓扑排序](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTopological_sorting) 确定正确的安装顺序\n\n我们还提供了一系列预构建的 Docker 镜像，它们可以：\n- 让你立即搭建常见的深度学习研究环境\n- 支持广泛使用的 [深度学习框架](#Available-tags)\n- 支持 [GPU 加速](#GPU)（包含 CUDA 和 cuDNN），同时也可在 [仅 CPU 模式](#CPU) 下运行\n- 在 Linux（[CPU](#CPU)\u002F[GPU](#GPU))、Windows（[CPU](#CPU)) 和 macOS（[CPU](#CPU)) 上运行\n\n---\n\n# 目录\n- [快速入门](#Quick-Start)\n  - [GPU 版本](#GPU)\n    - [安装](#Installation)\n    - [使用](#Usage)\n  - [CPU 版本](#CPU)\n    - [安装](#Installation-cpu)\n    - [使用](#Usage-cpu)\n- [自定义](#Customization)\n  - [对一体化解决方案不满意吗？](#One)\n  - [Jupyter 支持](#Jupyter)\n  - [构建你自己的定制镜像](#Build)\n- [与替代方案的比较](#Comparison)\n- [标签](#Tags)\n  - [可用标签](#Available-tags)\n  - [已弃用标签](#Deprecated-tags)\n- [引用](#Citation)\n- [贡献](#Contributing)\n- [许可](#Licensing)\n\n---\n\n\u003Ca name=\"Quick-Start\"\u002F>\n\n# 快速入门\n\n\n\u003Ca name=\"GPU\"\u002F>\n\n## GPU 版本\n\n\u003Ca name=\"Installation\"\u002F>\n\n### 安装\n\n#### 第一步：安装 [Docker](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstallation\u002F) 和 [NVIDIA 容器工具包](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html)。\n\n#### 第二步：从 [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo) 拉取一体化镜像\n\n```bash\ndocker pull ufoym\u002Fdeepo\n```\n\n\u003Ca name=\"Usage\"\u002F>\n\n### 使用\n\n验证容器内是否可以访问 GPU：\n```bash\ndocker run --gpus all --rm ufoym\u002Fdeepo nvidia-smi\n```\n如果无法正常工作，请查看 [NVIDIA 容器工具包 GitHub 的问题页面](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-container-toolkit\u002Fissues) — 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：\n\n```bash\ndocker run --gpus all -it ufoym\u002Fdeepo bash\n```\n\n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：\n```bash\ndocker run --gpus all -it -v \u002Fhost\u002Fdata:\u002Fdata -v \u002Fhost\u002Fconfig:\u002Fconfig ufoym\u002Fdeepo bash\n```\n这会使主机上的 `\u002Fhost\u002Fdata` 在容器内显示为 `\u002Fdata`，而 `\u002Fhost\u002Fconfig` 则显示为 `\u002Fconfig`。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。\n\n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：\n```bash\ndocker run --gpus all -it --ipc=host ufoym\u002Fdeepo bash\n```\n\n\n\u003Ca name=\"CPU\"\u002F>\n\n## CPU 版本\n\n\u003Ca name=\"Installation-cpu\"\u002F>\n\n### 安装\n\n#### 第一步：安装 [Docker](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstallation\u002F)。\n\n#### 第二步：从 [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo) 拉取一体化镜像\n\n```bash\ndocker pull ufoym\u002Fdeepo:cpu\n```\n\n\u003Ca name=\"Usage-cpu\"\u002F>\n\n### 使用\n\n启动交互式 shell：\n```bash\ndocker run -it ufoym\u002Fdeepo:cpu bash\n```\n\n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：\n```bash\ndocker run -it -v \u002Fhost\u002Fdata:\u002Fdata -v \u002Fhost\u002Fconfig:\u002Fconfig ufoym\u002Fdeepo:cpu bash\n```\n这会使主机上的 `\u002Fhost\u002Fdata` 在容器内显示为 `\u002Fdata`，而 `\u002Fhost\u002Fconfig` 则显示为 `\u002Fconfig`。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。\n\n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：\n```bash\ndocker run -it --ipc=host ufoym\u002Fdeepo:cpu bash\n```\n\n\n_你现在已准备好开始你的旅程了。_\n\n\n```\n$ python\n```\n```python\n>>> import tensorflow\n>>> import torch\n>>> import keras\n>>> import mxnet\n>>> import chainer\n>>> import paddle\n```\n\n```\n$ darknet\n```\n```\nusage: darknet \u003Cfunction>\n```\n\n\u003Ca name=\"Customization\"\u002F>\n\n# 自定义\n\n来自 [快速入门](#Quick-Start) 的 `docker pull ufoym\u002Fdeepo` 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。\n\n\u003Ca name=\"One\"\u002F>\n\n## 对一体化解决方案不满意吗？\n\n如果你更喜欢单一框架而不是一体化镜像，只需在镜像名称后加上框架的标签即可。例如，只拉取 TensorFlow：\n```bash\ndocker pull ufoym\u002Fdeepo:tensorflow\n```\n\n\u003Ca name=\"Jupyter\"\u002F>\n\n## Jupyter 支持\n\n#### 第一步：拉取一体化镜像\n\n```bash\ndocker pull ufoym\u002Fdeepo\n```\n\n#### 第二步：运行镜像\n```bash\ndocker run --gpus all -it -p 8888:8888 -v \u002Fhome\u002Fu:\u002Froot --ipc=host ufoym\u002Fdeepo jupyter lab --no-browser --ip=0.0.0.0 --allow-root --LabApp.allow_origin='*' --LabApp.root_dir='\u002Froot'\n```\n\n\n\u003Ca name=\"Build\"\u002F>\n\n## 使用乐高式模块构建您自己的自定义镜像\n\n#### 第 1 步：设置生成器\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo.git\ncd deepo\u002Fgenerator\n```\n\n#### 第 2 步：生成自定义 Dockerfile\n\n例如，要创建一个包含 `pytorch` 和 `keras` 的镜像：\n```bash\npython generate.py Dockerfile pytorch keras\n```\n或者使用 CUDA 11.3 和 cuDNN 8：\n```bash\npython generate.py Dockerfile pytorch keras --cuda-ver 11.3.1 --cudnn-ver 8\n```\n\n这将生成一个包含构建 `pytorch` 和 `keras` 所需一切的 Dockerfile。生成器会自动解析依赖关系并按拓扑顺序排序，因此您无需担心缺少软件包或安装顺序问题。\n\n您还可以指定 Python 版本：\n```bash\npython generate.py Dockerfile pytorch keras python==3.8\n```\n\n#### 第 3 步：构建 Dockerfile\n\n```bash\ndocker build -t my\u002Fdeepo .\n```\n\n这可能需要几分钟时间，因为某些库需要从源代码编译。\n\n\n\u003Ca name=\"Comparison\"\u002F>\n\n# 与替代方案的比较\n\n\n.                                                  | 现代深度学习 | dl-docker          | jupyter-deeplearning | Deepo\n:------------------------------------------------: | :------------------: | :----------------: | :------------------: | :----------------:\n [ubuntu](https:\u002F\u002Fwww.ubuntu.com)                  | 16.04                | 14.04              | 14.04                | 20.04\n [cuda](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone)    | X                    | 8.0                | 6.5-8.0              | 11.3\u002F无\n [cudnn](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn)       | X                    | v5                 | v2-5                 | v8\n [onnx](https:\u002F\u002Fonnx.ai)                           | X                    | X                  | X                    | O\n [tensorflow](http:\u002F\u002Fwww.tensorflow.org)            | O                    | O                  | O                    | O\n [pytorch](http:\u002F\u002Fpytorch.org)                      | X                    | X                  | X                    | O\n [keras](https:\u002F\u002Fkeras.io)                          | O                    | O                  | O                    | O\n [mxnet](http:\u002F\u002Fmxnet.incubator.apache.org)         | X                    | X                  | X                    | O\n [chainer](https:\u002F\u002Fchainer.org)                     | X                    | X                  | X                    | O\n [darknet](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002F)           | X                    | X                  | X                    | O\n [paddlepaddle](https:\u002F\u002Fwww.paddlepaddle.org.cn\u002F)   | X                    | X                  | X                    | O\n\n\n\n\u003Ca name=\"Tags\"\u002F>\n\n# 标签\n\n\n\u003Ca name=\"Available-tags\"\u002F>\n\n## 可用标签\n\n\n.                                                  | CUDA 11.3 \u002F Python 3.8                                    | 仅 CPU \u002F Python 3.8\n:------------------------------------------------: | :-------------------------------------------------------: | :-----------------------------------------:\n all-in-one                                        | `latest` `all` `all-py38` `py38-cu113` `all-py38-cu113`   | `all-py38-cpu` `all-cpu` `py38-cpu` `cpu`\n [TensorFlow](http:\u002F\u002Fwww.tensorflow.org)           | `tensorflow-py38-cu113` `tensorflow-py38` `tensorflow`    | `tensorflow-py38-cpu` `tensorflow-cpu`\n [PyTorch](http:\u002F\u002Fpytorch.org)                     | `pytorch-py38-cu113` `pytorch-py38` `pytorch`             | `pytorch-py38-cpu` `pytorch-cpu`\n [Keras](https:\u002F\u002Fkeras.io)                         | `keras-py38-cu113` `keras-py38` `keras`                   | `keras-py38-cpu` `keras-cpu`\n [MXNet](http:\u002F\u002Fmxnet.incubator.apache.org)        | `mxnet-py38-cu113` `mxnet-py38` `mxnet`                   | `mxnet-py38-cpu` `mxnet-cpu`\n [Chainer](https:\u002F\u002Fchainer.org)                    | `chainer-py38-cu113` `chainer-py38` `chainer`             | `chainer-py38-cpu` `chainer-cpu`\n [Darknet](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002F)          | `darknet-cu113` `darknet`                                 | `darknet-cpu`\n [PaddlePaddle](https:\u002F\u002Fwww.paddlepaddle.org.cn\u002F)  | `paddle-cu113` `paddle`                                   | `paddle-cpu`\n\n\n\u003Ca name=\"Deprecated-tags\"\u002F>\n\n## 已弃用的标签\n\n.                                                  | CUDA 11.3 \u002F Python 3.6         | CUDA 11.1 \u002F Python 3.6         | CUDA 10.1 \u002F Python 3.6         | CUDA 10.0 \u002F Python 3.6         | CUDA 9.0 \u002F Python 3.6                        | CUDA 9.0 \u002F Python 2.7                    | CPU-only \u002F Python 3.6                       | CPU-only \u002F Python 2.7\n:------------------------------------------------: | :----------------------------: | :----------------------------: | :----------------------------: | :----------------------------: | :------------------------------------------: | :--------------------------------:       | :-----------------------------------------: | :----------------------------------------:\n all-in-one                                        | `py36-cu113` `all-py36-cu113`  | `py36-cu111` `all-py36-cu111`  | `py36-cu101` `all-py36-cu101`  | `py36-cu100` `all-py36-cu100`  | `py36-cu90` `all-py36-cu90`                  | `all-py27-cu90` `all-py27` `py27-cu90`   |                                             | `all-py27-cpu` `py27-cpu`\n all-in-one with jupyter                           |                                |                                |                                |                                | `all-jupyter-py36-cu90`                      | `all-py27-jupyter` `py27-jupyter`        |                                             | `all-py27-jupyter-cpu` `py27-jupyter-cpu`\n [Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano) | `theano-py36-cu113`            | `theano-py36-cu111`            | `theano-py36-cu101`            | `theano-py36-cu100`            | `theano-py36-cu90`                           | `theano-py27-cu90` `theano-py27`         |                                             | `theano-py27-cpu`\n [TensorFlow](http:\u002F\u002Fwww.tensorflow.org)           | `tensorflow-py36-cu113`        | `tensorflow-py36-cu111`        | `tensorflow-py36-cu101`        | `tensorflow-py36-cu100`        | `tensorflow-py36-cu90`                       | `tensorflow-py27-cu90` `tensorflow-py27` |                                             | `tensorflow-py27-cpu`\n [Sonnet](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsonnet)      | `sonnet-py36-cu113`            | `sonnet-py36-cu111`            | `sonnet-py36-cu101`            | `sonnet-py36-cu100`            | `sonnet-py36-cu90`                           | `sonnet-py27-cu90` `sonnet-py27`         |                                             | `sonnet-py27-cpu`\n [PyTorch](http:\u002F\u002Fpytorch.org)                     | `pytorch-py36-cu113`           | `pytorch-py36-cu111`           | `pytorch-py36-cu101`           | `pytorch-py36-cu100`           | `pytorch-py36-cu90`                          | `pytorch-py27-cu90` `pytorch-py27`       |                                             | `pytorch-py27-cpu`\n [Keras](https:\u002F\u002Fkeras.io)                         | `keras-py36-cu113`             | `keras-py36-cu111`             | `keras-py36-cu101`             | `keras-py36-cu100`             | `keras-py36-cu90`                            | `keras-py27-cu90` `keras-py27`           |                                             | `keras-py27-cpu`\n [Lasagne](http:\u002F\u002Flasagne.readthedocs.io)          | `lasagne-py36-cu113`           | `lasagne-py36-cu111`           | `lasagne-py36-cu101`           | `lasagne-py36-cu100`           | `lasagne-py36-cu90`                          | `lasagne-py27-cu90` `lasagne-py27`       |                                             | `lasagne-py27-cpu`\n [MXNet](http:\u002F\u002Fmxnet.incubator.apache.org)        | `mxnet-py36-cu113`             | `mxnet-py36-cu111`             | `mxnet-py36-cu101`             | `mxnet-py36-cu100`             | `mxnet-py36-cu90`                            | `mxnet-py27-cu90` `mxnet-py27`           |                                             | `mxnet-py27-cpu`\n [CNTK](http:\u002F\u002Fcntk.ai)                            | `cntk-py36-cu113`              | `cntk-py36-cu111`              | `cntk-py36-cu101`              | `cntk-py36-cu100`              | `cntk-py36-cu90`                             | `cntk-py27-cu90` `cntk-py27`             |                                             | `cntk-py27-cpu`\n [Chainer](https:\u002F\u002Fchainer.org)                    | `chainer-py36-cu113`           | `chainer-py36-cu111`           | `chainer-py36-cu101`           | `chainer-py36-cu100`           | `chainer-py36-cu90`                          | `chainer-py27-cu90` `chainer-py27`       |                                             | `chainer-py27-cpu`\n [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org)          | `caffe-py36-cu113`             | `caffe-py36-cu111`             | `caffe-py36-cu101`             | `caffe-py36-cu100`             | `caffe-py36-cu90`                            | `caffe-py27-cu90` `caffe-py27`           |                                             | `caffe-py27-cpu`\n [Caffe2](https:\u002F\u002Fcaffe2.ai)                       |                                |                                |                                |                                | `caffe2-py36-cu90` `caffe2-py36` `caffe2`    | `caffe2-py27-cu90` `caffe2-py27`         | `caffe2-py36-cpu` `caffe2-cpu`              | `caffe2-py27-cpu`\n [Torch](http:\u002F\u002Ftorch.ch\u002F)                         | `torch-cu113`                  | `torch-cu111`                  | `torch-cu101`                  | `torch-cu100`                  | `torch-cu90`                                 | `torch-cu90` `torch`                     |                                             | `torch-cpu`\n [Darknet](https:\u002F\u002Fpjreddie.com\u002Fdarknet\u002F)          | `darknet-cu113`                | `darknet-cu111`                | `darknet-cu101`                | `darknet-cu100`                | `darknet-cu90`                               | `darknet-cu90` `darknet`                 |                                             | `darknet-cpu`\n\n\n\u003Ca name=\"引用\"\u002F>\n\n# 引用\n```\n@misc{ming2017deepo,\n    author = {Ming Yang},\n    title = {Deepo: 使用一条命令行即可搭建深度学习环境。},\n    year = {2017},\n    publisher = {GitHub},\n    journal = {GitHub 仓库},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo}}\n}\n```\n\u003Ca name=\"贡献\"\u002F>\n\n# 贡献\n\n我们欢迎所有贡献。如果您计划提交错误修复，请直接打开一个拉取请求。如果您计划添加新功能、实用工具或扩展，请先创建一个问题，与我们讨论您的想法。\n\n\u003Ca name=\"许可\"\u002F>\n\n# 许可\n\nDeepo 采用 [MIT 许可证](https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fblob\u002Fmaster\u002FLICENSE)。","# Deepo 快速上手指南\n\nDeepo 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。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux (推荐), Windows (WSL2\u002FDocker Desktop), 或 macOS。\n*   **前置依赖**：\n    *   **Docker**: 已安装并运行。\n    *   **NVIDIA GPU 用户**: 必须额外安装 [NVIDIA Container Toolkit](https:\u002F\u002Fdocs.nvidia.com\u002Fdatacenter\u002Fcloud-native\u002Fcontainer-toolkit\u002Finstall-guide.html) 以支持容器内 GPU 加速。\n    *   **CPU 用户**: 仅需安装 Docker。\n\n> **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。\n\n## 2. 安装步骤\n\n根据您的硬件环境选择以下一种方式进行安装。\n\n### 方案 A：GPU 版本（推荐）\n\n适用于拥有 NVIDIA 显卡并希望进行加速训练的用户。\n\n1.  **拉取全功能镜像**（包含 TensorFlow, PyTorch, Keras, MXNet, Chainer, PaddlePaddle, Darknet 等主流框架）：\n    ```bash\n    docker pull ufoym\u002Fdeepo\n    ```\n\n2.  **验证 GPU 支持**：\n    运行以下命令检查容器内是否能识别显卡：\n    ```bash\n    docker run --gpus all --rm ufoym\u002Fdeepo nvidia-smi\n    ```\n    *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。*\n\n### 方案 B：CPU 版本\n\n适用于无独立显卡或仅需推理\u002F轻量级开发的用户。\n\n1.  **拉取 CPU 专用镜像**：\n    ```bash\n    docker pull ufoym\u002Fdeepo:cpu\n    ```\n\n## 3. 基本使用\n\n### 启动交互式终端\n\n**GPU 用户：**\n```bash\ndocker run --gpus all -it ufoym\u002Fdeepo bash\n```\n\n**CPU 用户：**\n```bash\ndocker run -it ufoym\u002Fdeepo:cpu bash\n```\n\n进入容器后，您可以直接调用 Python 并使用预装的框架：\n```bash\n$ python\n>>> import tensorflow\n>>> import torch\n>>> import keras\n>>> import mxnet\n>>> import chainer\n>>> import paddle\n```\n\n### 挂载本地数据\n\n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 `\u002Fhost\u002Fdata` 映射为容器内的 `\u002Fdata`：\n\n**GPU 用户示例：**\n```bash\ndocker run --gpus all -it -v \u002Fhost\u002Fdata:\u002Fdata ufoym\u002Fdeepo bash\n```\n\n**CPU 用户示例：**\n```bash\ndocker run -it -v \u002Fhost\u002Fdata:\u002Fdata ufoym\u002Fdeepo:cpu bash\n```\n\n### 进阶提示：共享内存\n\n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：\n\n```bash\ndocker run --gpus all -it --ipc=host ufoym\u002Fdeepo bash\n```","某高校计算机视觉实验室的研究生团队，正准备在多台配置各异的服务器上复现一篇最新的图像分割论文，需要快速搭建包含特定版本 PyTorch、CUDA 和 OpenCV 的实验环境。\n\n### 没有 deepo 时\n- **依赖冲突频发**：团队成员手动安装不同版本的 CUDA、cuDNN 和 Python 库时，常因版本不兼容导致环境崩溃，排查问题耗费数天。\n- **配置重复劳动**：每台新服务器或每位新成员加入时，都需要重复执行繁琐的安装命令和配置文件修改，效率极低。\n- **环境不一致**：由于手动操作差异，开发机与训练服务器的环境存在细微差别，导致代码在本地运行正常，上传后却报错。\n- **迁移成本高昂**：更换硬件或操作系统时，整个深度学习栈需要重新编译和调试，严重拖慢研究进度。\n\n### 使用 deepo 后\n- **自动解决依赖**：deepo 内置了兼容性知识图谱，能自动识别并安装匹配的 CUDA、PyTorch 等版本，彻底消除“依赖地狱”。\n- **一键构建环境**：只需一条命令行描述需求（如 `deepo build pytorch,jupyter`），即可生成遵循最佳实践的 Dockerfile 并构建镜像，将数小时的配置工作压缩至秒级。\n- **保证环境一致**：基于统一的 Docker 镜像，确保从笔记本到集群的所有节点环境完全一致，实现“一次构建，到处运行”。\n- **灵活跨平台部署**：无论是 Linux GPU 服务器还是 macOS 笔记本，deepo 都能提供预构建镜像或快速自定义方案，让团队无缝切换开发设备。\n\ndeepo 通过乐高式的模块化组装和智能依赖解析，将深度学习环境的搭建从“人工运维难题”转变为“秒级自动化流程”，让研究人员能专注于算法创新而非环境配置。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fufoym_deepo_d73fe973.png","ufoym","Ming","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fufoym_2ee9d1af.jpg","PhD@SYSU -> Researcher@CVTE","CVTE Research",null,"a@ufoym.com","https:\u002F\u002Fufoym.com","https:\u002F\u002Fgithub.com\u002Fufoym",[24,28],{"name":25,"color":26,"percentage":27},"Python","#3572A5",93.3,{"name":29,"color":30,"percentage":31},"Shell","#89e051",6.7,6277,742,"2026-04-05T16:26:00","MIT",3,"Linux, Windows, macOS","GPU 版本可选但非必需；若使用需 NVIDIA GPU 并安装 NVIDIA Container Toolkit；支持 CUDA 11.3（及其他历史版本如 11.1, 10.1 等）和 cuDNN v8；具体显存大小未说明，取决于运行的深度学习模型需求","未说明（但提示多进程使用时需通过 --ipc=host 或 --shm-size 增加共享内存）",{"notes":41,"python":42,"dependencies":43},"该工具基于 Docker 容器化部署，分为 GPU 版和 CPU 版。GPU 版需主机安装 Docker 及 NVIDIA Container Toolkit。支持通过生成器自定义构建包含特定框架、Python 版本及 CUDA\u002FcuDNN 版本的镜像。默认提供'all-in-one'镜像包含所有主流框架，也可按需拉取单一框架镜像。使用多进程框架时建议增加容器共享内存大小。","支持 Python 3.8（默认推荐），也支持 Python 3.6, 2.7（部分旧标签已废弃）",[44,45,46,47,48,49,50,51,52,53],"TensorFlow","PyTorch","Keras","MXNet","Chainer","PaddlePaddle","Darknet","ONNX","CUDA","cuDNN",[55,56],"图像","开发框架",[58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74],"deep-learning","jupyter","lasagne","caffe","tensorflow","sonnet","keras","theano","chainer","torch","pytorch","mxnet","cntk","dockerfile-generator","docker-image","caffe2","onnx",2,"ready","2026-03-27T02:49:30.150509","2026-04-08T03:57:08.052052",[80,85,90,95,100,105,110],{"id":81,"question_zh":82,"answer_zh":83,"source_url":84},23649,"TensorFlow 2.5.0 与 CUDA 10.2 不兼容导致无法加载 GPU 库怎么办？","该问题已被修复。如果您遇到类似错误（如无法加载 libcusparse.so.11 或 libcudnn.so.8），请确保拉取最新的 Docker 镜像版本。维护者已确认修复了标签指向问题，重新拉取镜像即可解决兼容性冲突。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F145",{"id":86,"question_zh":87,"answer_zh":88,"source_url":89},23650,"如何在 Deepo 中构建支持 CUDA 10 和 RTX 20xx 系列显卡的镜像？","官方暂未直接提供基于 CUDA 10 的完整预构建镜像，但您可以通过以下方式自行构建：\n1. 修改 Dockerfile 第一行为：`FROM nvidia\u002Fcuda:10.0-cudnn7-devel-ubuntu16.04`\n2. 将宿主机的 NVIDIA 驱动更新至 410+ 版本。\n3. 或者使用生成脚本指定版本：`python generator\u002Fgenerate.py Dockerfile tensorflow python==3.6 --cuda-ver 10.0 --cudnn-ver 7`。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F60",{"id":91,"question_zh":92,"answer_zh":93,"source_url":94},23651,"导入 matplotlib.pyplot 时报错 \"No module named '_tkinter'\" 如何解决？","这是因为镜像中缺少 tkinter 依赖包。您需要安装 `python3-tk` 包来解决此问题。在容器内运行以下命令即可：`apt-get update && apt-get install -y python3-tk`。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F17",{"id":96,"question_zh":97,"answer_zh":98,"source_url":99},23652,"使用 Python 2.7 版本的 deepo 镜像时，导入 caffe 找不到 Net 模块或 __version__ 属性怎么办？","请确保您拉取的是正确的完整镜像标签。不要只使用基础标签，而应明确拉取 `ufoym\u002Fdeepo:all-py27`。该标签包含了所有必要的依赖和修正，能正常支持 caffe 模块的导入。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F45",{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},23653,"Deepo 是否支持 CUDA 9.0 及 cuDNN 7？","是的，Deepo 现已支持 CUDA 9.0 和 cuDNN 7。新的 Docker 镜像已经发布，您可以直接拉取包含该环境配置的最新版镜像使用。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F1",{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},23654,"容器中出现名为 ethminer 的程序自动占用 GPU 是怎么回事？","这通常是因为您的 Jupyter Notebook 容器暴露了端口且未设置令牌（token），导致被他人远程访问并植入了挖矿程序。\n解决方案：\n1. 启动容器时务必设置强令牌，避免使用 `--NotebookApp.token=` 空值。\n2. 限制访问权限，不要将端口映射到公网（0.0.0.0）除非必要。\n3. 检查并终止可疑进程，重建容器以确保安全。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F73",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},23655,"PyTorch 已编译包含 cuda 和 cudnn，是否可以减小镜像体积？","理论上可以使用更小的基础镜像（如 `cuda:10.0-base` 而非 `devel` 版本）来减小体积（从 3GB 降至 115MB 左右）。如果您有具体方案，欢迎提交 Pull Request，维护者合并代码后会触发相关镜像的重建。","https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo\u002Fissues\u002F113",[116,121],{"id":117,"version":118,"summary_zh":119,"released_at":120},145154,"v2.0.0","\n***Deepo2*** 现在是一系列 [*Docker*](http:\u002F\u002Fwww.docker.com\u002F) 镜像，它\n- 让你能够快速搭建深度学习研究环境\n- 支持几乎所有常用的深度学习框架：[theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano)、[tensorflow](http:\u002F\u002Fwww.tensorflow.org)、[sonnet](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsonnet)、[pytorch](http:\u002F\u002Fpytorch.org)、[keras](https:\u002F\u002Fkeras.io)、[lasagne](http:\u002F\u002Flasagne.readthedocs.io)、[mxnet](http:\u002F\u002Fmxnet.incubator.apache.org)、[cntk](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fcognitive-toolkit)、[chainer](https:\u002F\u002Fchainer.org)、[caffe](http:\u002F\u002Fcaffe.berkeleyvision.org)、[torch](http:\u002F\u002Ftorch.ch\u002F)\n\n以及其 Dockerfile 生成器，该生成器\n- 允许你像搭积木一样自定义自己的环境\n- 自动为你解决依赖关系\n\n\n# 目录\n- [快速入门](#Quick-Start)\n  - [安装](#Installation)\n  - [使用](#Usage)\n- [自定义](#Customization)\n  - [我讨厌一体化解决方案](#One)\n  - [其他 Python 版本](#Python)\n  - [构建你自己的定制镜像](#Build)\n- [与替代方案的比较](#Comparison)\n- [贡献](#Contributing)\n- [许可](#Licensing)\n\n---\n\n\u003Ca name=\"Quick-Start\"\u002F>\n\n# 快速入门\n\n\n\u003Ca name=\"Installation\"\u002F>\n\n## 安装\n\n#### 第一步。安装 [Docker](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstallation\u002F) 和 [nvidia-docker](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)。\n\n#### 第二步。从 [Docker Hub](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fufoym\u002Fdeepo) 获取一体化镜像\n\n```bash\ndocker pull ufoym\u002Fdeepo\n```\n\n\u003Ca name=\"Usage\"\u002F>\n\n## 使用\n\n现在你可以尝试以下命令：\n```bash\nnvidia-docker run --rm ufoym\u002Fdeepo nvidia-smi\n```\n这应该可以正常工作，并使 Deepo 能够在 Docker 容器内使用 GPU。如果这不起作用，请查看 [nvidia-docker 的 GitHub 问题页面](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker\u002Fissues)——那里已经记录了许多解决方案。如果你想进入一个交互式 Shell，并且在退出后不会自动删除容器，可以执行：\n\n```bash\nnvidia-docker run -it ufoym\u002Fdeepo bash\n```\n\n如果你希望在主机（你的机器或虚拟机）和运行 Deepo 的容器之间共享数据和配置，可以使用 `-v` 选项，例如：\n```bash\nnvidia-docker run -it -v \u002Fhost\u002Fdata:\u002Fdata -v \u002Fhost\u002Fconfig:\u002Fconfig ufoym\u002Fdeepo bash\n```\n这会将主机上的 `\u002Fhost\u002Fdata` 映射为容器内的 `\u002Fdata`，将 `\u002Fhost\u002Fconfig` 映射为 `\u002Fconfig`。这种隔离机制可以减少容器化实验覆盖或误用数据的风险。\n\n请注意，某些框架（如 PyTorch）会使用共享内存来在进程间共享数据，因此如果使用了多进程，容器默认使用的共享内存段大小可能不足，这时你应该通过 `--ipc=host` 或 `--shm-size` 命令行选项来增加共享内存大小。\n```bash\nnvidia-docker run -it --ipc=host ufoym\u002Fdeepo bash\n```\n\n_","2017-11-27T15:04:59",{"id":122,"version":123,"summary_zh":124,"released_at":125},145155,"v1.0.0","***Deepo*** 是一个包含完整可复现深度学习研究环境的 [*Docker*](http:\u002F\u002Fwww.docker.com\u002F) 镜像。它包含了最流行的深度学习框架：[theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano)、[tensorflow](http:\u002F\u002Fwww.tensorflow.org)、[sonnet](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fsonnet)、[pytorch](http:\u002F\u002Fpytorch.org)、[keras](https:\u002F\u002Fkeras.io)、[lasagne](http:\u002F\u002Flasagne.readthedocs.io)、[mxnet](http:\u002F\u002Fmxnet.incubator.apache.org)、[cntk](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fcognitive-toolkit)、[chainer](https:\u002F\u002Fchainer.org)、[caffe](http:\u002F\u002Fcaffe.berkeleyvision.org)、[torch](http:\u002F\u002Ftorch.ch\u002F)。\n\n- [快速入门](#Quick-Start)\n  - [安装](#Installation)\n  - [使用](#Usage)\n- [与替代方案的比较](#Comparison)\n- [许可](#Licensing)\n\n---\n\n\u003Ca name=\"Quick-Start\"\u002F>\n\n## 快速入门\n\n\n\u003Ca name=\"Installation\"\u002F>\n\n### 安装\n\n#### 第一步：安装 [Docker](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstallation\u002F) 和 [nvidia-docker](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker)。\n\n#### 第二步：获取 Deepo 镜像\n\n你可以直接从 Docker Hub 下载镜像，也可以自己构建镜像。\n\n##### 选项 1：从 Docker Hub 获取镜像（推荐）\n```bash\ndocker pull ufoym\u002Fdeepo\n```\n##### 选项 2：在本地构建 Docker 镜像\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo.git\ncd deepo && docker build -t ufoym\u002Fdeepo .\n```\n请注意，这可能需要几个小时，因为它会从头编译一些库。\n\n\u003Ca name=\"Usage\"\u002F>\n\n### 使用\n\n现在你可以尝试以下命令：\n```bash\nnvidia-docker run --rm ufoym\u002Fdeepo nvidia-smi\n```\n如果一切正常，这将使 Deepo 在 Docker 容器内使用 GPU。如果运行失败，请查看 [nvidia-docker 的 GitHub 问题页面](https:\u002F\u002Fgithub.com\u002FNVIDIA\u002Fnvidia-docker\u002Fissues)，那里已经记录了许多解决方案。如果你想进入一个交互式 Shell，并且容器不会在退出后自动删除，可以执行：\n\n```bash\nnvidia-docker run -it ufoym\u002Fdeepo bash\n```\n\n如果你希望在主机（你的机器或虚拟机）和运行 Deepo 的容器之间共享数据和配置，可以使用 `-v` 选项，例如：\n```bash\nnvidia-docker run -it -v \u002Fhost\u002Fdata:\u002Fdata -v \u002Fhost\u002Fconfig:\u002Fconfig ufoym\u002Fdeepo bash\n```\n这会将主机上的 `\u002Fhost\u002Fdata` 映射为容器内的 `\u002Fdata`，将 `\u002Fhost\u002Fconfig` 映射为 `\u002Fconfig`。这种隔离方式可以减少容器化实验覆盖或误用数据的风险。\n\n\n_现在你已经准备好开始你的旅程了。_\n\n\n#### tensorflow\n```$ python```\n```python\n>>> import tensorflow\n>>> print(tensorflow.__name__, tensorflow.__version__)\ntensorflow 1.3.0\n```\n\n#### sonnet\n```$ python```\n```python\n>>> import sonnet\n>>> print(sonnet.__name__, sonnet.__path__)\nsonnet ['\u002Fusr\u002Flocal\u002Flib\u002Fpython3.5\u002Fdist-packages\u002Fsonnet']\n```\n\n#### pytorch\n```$ python```\n```python\n>>> import torch\n>>> print(torch.__name__, torch.__version__)\ntorch 0.2.0_3\n```\n\n#### ","2017-11-27T14:53:53",[127,137,145,154,162,171],{"id":128,"name":129,"github_repo":130,"description_zh":131,"stars":132,"difficulty_score":36,"last_commit_at":133,"category_tags":134,"status":76},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,"2026-04-06T06:32:30",[135,56,55,136],"Agent","数据工具",{"id":138,"name":139,"github_repo":140,"description_zh":141,"stars":142,"difficulty_score":36,"last_commit_at":143,"category_tags":144,"status":76},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[56,55,135],{"id":146,"name":147,"github_repo":148,"description_zh":149,"stars":150,"difficulty_score":75,"last_commit_at":151,"category_tags":152,"status":76},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",143909,"2026-04-07T11:33:18",[56,135,153],"语言模型",{"id":155,"name":156,"github_repo":157,"description_zh":158,"stars":159,"difficulty_score":75,"last_commit_at":160,"category_tags":161,"status":76},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[56,55,135],{"id":163,"name":164,"github_repo":165,"description_zh":166,"stars":167,"difficulty_score":75,"last_commit_at":168,"category_tags":169,"status":76},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[170,56],"插件",{"id":172,"name":173,"github_repo":174,"description_zh":175,"stars":176,"difficulty_score":36,"last_commit_at":177,"category_tags":178,"status":76},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[153,55,135,56]]