Docker-images

Användare

Vilken image som helst från Docker Hub, eller från ett registry din tenant har konfigurerat, fungerar. Det finns ingen AiQu-specifik basimage och ingenting att installera i din image för att få den att fungera.

Att välja en

Att klicka i fältet Docker image erbjuder förslag i två grupper:

• Previous - images du har använt förut.
• Base - imagesarna bakom Quick Deploy-mallarna.

Att välja ett förslag fyller fältet, tillämpar de portar imagen deklarerar, och väljer registryt den tillhör. Det är därför ett valt Jupyter-förslag ger dig en fungerande Jupyter-port utan att du behöver tänka på det.

GPU-images

En GPU-image behöver en GPU-kö och minst en begärd GPU. De vanliga valen:

Image	För
nvidia/pytorch:24.07-py3	PyTorch, CUDA redan uppsatt
nvidia/tensorflow:24.07-tf2-py3	TensorFlow 2
nvidia/cuda:12.4.1-devel-ubuntu22.04	Bygg ditt eget ovanpå

Vanliga images som ubuntu:22.04 fungerar överallt, inklusive rena CPU-köer.

Att be om en GPU du inte använder kostar ändå

Tokens debiteras för hållna resurser, inte använda. Metrics-vyn visar utnyttjandet över tid. Ligger det nära noll, be om färre GPU:er nästa gång.

Registries

Docker registry står på Auto-detect som förval, vilket är rätt för Docker Hub och för varje image vars registry går att räkna ut från namnet.

Väljaren listar de privata och publika registries som är konfigurerade för tenanten, grupperade. Välj ett uttryckligen när imagen ligger i ett registry som kräver credentials.

Tenantadministratörer lägger till registries - se Tenantinställningar. Att lägga till ett är inget en användare kan göra.

En privat image utan valt registry failar direkt

Hämtningen görs utan credentials, nekas, och jobbet går till failed inom några sekunder efter start. Loggarna säger pull access denied. Välj registryt, eller klona jobbet och sätt det.

Att bygga egna

Varför

Installerar du samma paket i början av varje jobb betalar du tokens för att köra apt-get om och om igen. Baka in dem i en image en gång.

Dockerfile

FROM nvidia/pytorch:24.07-py3
RUN pip install --no-cache-dir transformers datasets accelerate
WORKDIR /workspace

Pusha och använd

docker build -t registry.example.com/team/train:v1 .
docker push registry.example.com/team/train:v1

Ange sedan den imagen i jobbet och välj motsvarande registry.

Pinna en tagg. latest betyder att ett jobb du kör idag och samma jobb nästa månad inte är samma jobb, vilket är en dålig egenskap för ett experiment.