Images Docker disponibles

Lorsque vous louez un serveur GPU sur Clore.ai, vous pouvez choisir parmi des images Docker préconfigurées ou utiliser la vôtre.

Images préinstallées

Usage général

Image	Description	Inclus
Ubuntu Jupyter	Ubuntu propre avec Jupyter Notebook	Python, CUDA, Jupyter
PyTorch	Prêt pour l'apprentissage profond	PyTorch, CUDA, cuDNN
TensorFlow	Le framework ML de Google	TensorFlow, CUDA, Keras

Spécifique IA/ML

Image	Description	Cas d'utilisation
Stable Diffusion WebUI	WebUI AUTOMATIC1111	Génération d'images
ComfyUI	Interface SD basée sur des nœuds	Flux de travail d'images avancés
Text Generation WebUI	Interface d'Oobabooga	Inférence LLM
Ollama	Exécuter des LLM localement	Déploiement LLM
vLLM	Service LLM haute performance	LLM en production

Mining

Image	Description
Clore Mining	Préconfiguré pour le minage
Compatible HiveOS	Pour l'intégration HiveOS

Sélection d'une image

1. Aller à Marketplace

2. Trouver un serveur

3. Cliquez Louer

4. Dans le formulaire de commande, sélectionnez Image Docker dans le menu déroulant

5. Configurez les ports si nécessaire

6. Soumettre la commande

Utilisation d'images Docker personnalisées

Vous pouvez spécifier n'importe quelle image Docker publique depuis Docker Hub ou d'autres registres.

Format

registre/image:tag

Exemples

pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime
nvidia/cuda:12.2.0-base-ubuntu22.04
huggingface/transformers-pytorch-gpu:latest

Exigences pour les images personnalisées

• Doit être accessible publiquement (ou utiliser l'authentification)

• Doit être compatible avec les GPU NVIDIA

• Basée sur des images activées pour CUDA pour l'accès GPU

Configuration des ports

Lors de la création d'une commande, vous pouvez exposer des ports pour vos applications :

Port	Usage courant
22	SSH (généralement préconfiguré)
8888	Jupyter Notebook
7860	Applications Gradio (SD WebUI, etc.)
3000	Applications Web
8080	Services HTTP

Définir des ports personnalisés

Dans le formulaire de commande, spécifiez les ports à exposer :

8888,7860,3000

Variables d'environnement

Vous pouvez transmettre des variables d'environnement à votre conteneur :

HF_TOKEN=your_token
MODEL_NAME=llama-7b

Stockage persistant

• Les données dans /workspace sont généralement persistantes pendant la location

• D'autres répertoires peuvent être réinitialisés au redémarrage du conteneur

• Sauvegardez toujours les données importantes en externe

Bonnes pratiques

1. Choisir une image appropriée - Utilisez des images préconfigurées lorsque possible

2. Vérifier la version CUDA - Assurer la compatibilité avec votre charge de travail

3. N'exposez que les ports nécessaires - Pour la sécurité

4. Utiliser des variables d'environnement - Pour la configuration, pas pour les secrets

5. Tester localement d'abord - Vérifiez que votre image personnalisée fonctionne avant de louer

Dépannage

L'image ne démarre pas

• Vérifiez si l'image existe et est publique

• Vérifiez la compatibilité CUDA/GPU

• Consultez les logs du conteneur via SSH

GPU inaccessible dans le conteneur

• Assurez-vous que l'image est compatible NVIDIA

• Vérifiez les pilotes NVIDIA : nvidia-smi

• Vérifiez l'installation de CUDA : nvcc --version

Impossible d'accéder aux ports exposés

• Attendez que le conteneur ait complètement démarré

• Vérifiez si le service s'exécute à l'intérieur du conteneur

• Vérifiez les paramètres du pare-feu/de sécurité