一个包含完整AIGC开发环境的Docker镜像，集成了Conda、CUDA、PyTorch、FlashAttention、Node.js和Claude Code等工具。

• 操作系统: Ubuntu 22.04
• CUDA: 12.1 + cuDNN 8
• Python: 3.11 (Miniconda)
• PyTorch: 2.2.1 (支持CUDA 12.1)
• FlashAttention: 2.x
• Node.js: 20.x LTS
• Claude Code: 最新版本

• PyTorch, TorchVision, TorchAudio
• Transformers, Accelerate, PEFT
• xFormers, FlashAttention, bitsandbytes

• NumPy, Pandas, SciPy
• OpenCV, Pillow
• Datasets, Tokenizers

• Matplotlib, Seaborn
• TensorBoard, W&B
• Gradio, Streamlit

• FastAPI, Uvicorn
• JupyterLab, Notebook

# 构建镜像
docker build -t aigc-env:latest .

# 使用BuildKit加速构建
DOCKER_BUILDKIT=1 docker build -t aigc-env:latest .

docker run -it --gpus all aigc-env:latest

docker run -it --gpus all \
    -v $(pwd)/workspace:/workspace \
    -v $(pwd)/data:/workspace/data \
    -v $(pwd)/models:/workspace/models \
    -p 8888:8888 \
    -p 6006:6006 \
    -p 7860:7860 \
    -p 8000:8000 \
    -p 8501:8501 \
    --name aigc-dev \
    --shm-size=16g \
    aigc-env:latest

docker run -it --gpus all \
    -v $(pwd)/workspace:/workspace \
    -p 8888:8888 \
    --shm-size=16g \
    aigc-env:latest \
    jupyter lab

/workspace/
├── data/       # 数据文件
├── models/     # 模型文件
├── outputs/    # 输出结果
├── scripts/    # 脚本文件
└── notebooks/  # Jupyter notebooks

nvidia-smi
python -c "import torch; print(f'CUDA: {torch.cuda.is_available()}, Devices: {torch.cuda.device_count()}')"

# JupyterLab
jupyter lab --ip=0.0.0.0 --port=8888 --allow-root

# TensorBoard
tensorboard --logdir=./logs --bind_all

# Gradio应用
python app.py  # 默认端口7860

# FastAPI服务
uvicorn main:app --host 0.0.0.0 --port 8000

# 设置API密钥
export ANTHROPIC_API_KEY="your-api-key"

# 启动Claude Code
claude

端口	服务
8888	JupyterLab
6006	TensorBoard
7860	Gradio
8000	FastAPI
8501	Streamlit

# CUDA
CUDA_HOME=/usr/local/cuda
LD_LIBRARY_PATH=$CUDA_HOME/lib64

# Conda
CONDA_DIR=/opt/conda
PATH=/opt/conda/bin:$PATH

# 时区
TZ=Asia/Shanghai

pip install your-package
# 或
conda install your-package

conda create -n myenv python=3.11
conda activate myenv

1. 确保安装了NVIDIA Docker运行时
2. 使用 --gpus all 参数运行容器
3. 检查驱动版本是否兼容

# 安装nvidia-docker2
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update && sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

使用 --shm-size=16g 或更大的值运行容器。

确保CUDA版本和PyTorch版本兼容，本镜像已预编译FlashAttention。

MIT License

欢迎提交Issue和Pull Request！