Erste Schritte mit einem lokalen Deep Learning-Container
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Auf dieser Seite wird beschrieben, wie Sie einen lokalen Deep-Learning-Container erstellen und einrichten.
In dieser Anleitung wird davon ausgegangen, dass Sie mit Docker vertraut sind.
Hinweise
Führen Sie die folgenden Schritte aus, um ein Google Cloud -Konto einzurichten, die erforderlichen APIs zu aktivieren und die erforderliche Software zu installieren und zu aktivieren.
Rufen Sie in der Google Cloud Console die Seite Ressourcen verwalten auf und wählen Sie ein Projekt aus oder erstellen Sie ein neues.
Wenn Sie ein Linux-basiertes Betriebssystem wie Ubuntu oder Debian nutzen, fügen Sie der Gruppe docker Ihren Nutzernamen hinzu, damit Sie Docker ohne sudo ausführen können:
sudousermod-a-Gdocker${USER}
Möglicherweise müssen Sie Ihr System neu starten, wenn Sie sich zur Gruppe docker hinzugefügt haben.
Öffnen Sie Docker. Prüfen Sie mit dem folgenden Docker-Befehl, durch den die aktuelle Zeit und das aktuelle Datum zurückgegeben werden, ob Docker ausgeführt wird:
docker run busybox date
Verwenden Sie gcloud als Credential Helper für Docker:
gcloud auth configure-docker
Optional: Wenn Sie den Container mit GPU lokal ausführen möchten, installieren Sie nvidia-docker.
Container erstellen
So erstellen Sie einen Container:
So rufen Sie eine Liste der verfügbaren Container auf:
gcloud container images list \
--repository="gcr.io/deeplearning-platform-release"
Wenn Sie keinen GPU-fähigen Container verwenden müssen, geben Sie das folgende Codebeispiel ein. Ersetzen Sie tf-cpu.1-13 durch den Namen des Containers, den Sie verwenden möchten.
docker run -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \
gcr.io/deeplearning-platform-release/tf-cpu.1-13
Wenn Sie einen GPU-fähigen Container verwenden möchten, geben Sie das folgende Codebeispiel ein. Ersetzen Sie tf-gpu.1-13 durch den Namen des Containers, den Sie verwenden möchten.
docker run --runtime=nvidia -d -p 8080:8080 -v /path/to/local/dir:/home/jupyter \
gcr.io/deeplearning-platform-release/tf-gpu.1-13
Dieser Befehl startet den Container im getrennten Modus, stellt das lokale Verzeichnis /path/to/local/dir zu /home/jupyter im Container bereit und ordnet Port 8080 im Container Port 8080 auf Ihrem lokalen Computer zu. Der Container ist vorkonfiguriert, um einen JupyterLab-Server zu starten. Diesen können Sie unter http://localhost:8080 aufrufen.
Nächste Schritte
Weitere Informationen zur Arbeit mit Containern finden Sie in der Docker-Dokumentation.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-18 (UTC)."],[[["\u003cp\u003eThis guide details the process of creating and setting up a local deep learning container, requiring basic Docker knowledge.\u003c/p\u003e\n"],["\u003cp\u003eThe setup involves creating or selecting a Google Cloud project, installing and initializing the gcloud CLI, and installing Docker, with specific instructions for Linux users to avoid using \u003ccode\u003esudo\u003c/code\u003e.\u003c/p\u003e\n"],["\u003cp\u003eUsers can choose from available deep learning containers using a command to list them or visit the "Choosing a container" page, then using a command to either use a cpu container, or a gpu-enabled container.\u003c/p\u003e\n"],["\u003cp\u003eThe container is launched in detached mode, mounting a local directory to the container and mapping a port, which then allows the user to use a preconfigured JupyterLab server.\u003c/p\u003e\n"],["\u003cp\u003eOptionally, for those requiring GPU acceleration, the guide suggests installing \u003ccode\u003envidia-docker\u003c/code\u003e, and using the appropriate container creation command.\u003c/p\u003e\n"]]],[],null,[]]