可用的 Docker 镜像

在 Clore.ai 租用 GPU 服务器时，您可以从预配置的 Docker 镜像中选择或使用自己的自定义镜像。

Clore 官方镜像

由 Clore.ai 维护的预构建镜像，为去中心化 GPU 市场优化。

通用用途

Docker 镜像	描述	端口	更新于
cloreai/jupyter:ubuntu24.04-v2	Ubuntu 24.04 上的 Jupyter Lab + SSH	22, 8888	2025 年 1 月 ✅
cloreai/ml-tools:0.1	Jupyter Lab + VS Code Web 服务器	22, 8888	2023 年 7 月 ⚠️
cloreai/ubuntu20.04-jupyter:latest	Ubuntu 20.04 + SSH + Jupyter	22, 8888	2022 年 11 月 ⚠️
cloreai/ubuntu-20.04-remote-desktop:1.2	带远程桌面 GUI 的 Ubuntu	22, 3389	2023 年 5 月 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	2023 年 7 月 ⚠️

AI/ML 推理

Docker 镜像	描述	端口	更新于
cloreai/deepseek-r1-8b:latest	DeepSeek R1 8B 即时可运行	8000	2025 年 1 月 ✅
cloreai/stable-diffusion-webui:latest	AUTOMATIC1111 SD WebUI	7860	2023 年 9 月 ⚠️
cloreai/oobabooga:1.5	文本生成 WebUI	7860	2023 年 8 月 ⚠️

基础设施与挖矿

Docker 镜像	描述	更新于
cloreai/monitoring:0.7	服务器监控代理	2024 年 9 月 ✅
cloreai/hiveos:0.4	HiveOS 集成	2025 年 2 月 ✅
cloreai/openvpn-proxy:0.2	VPN/代理 转发	2025 年 2 月 ✅
cloreai/proxy:0.2	端口转发系统	2024 年 1 月
cloreai/automining:0.1	自动挖矿设置	2023 年 6 月 ⚠️
cloreai/kuzco:latest	Kuzco 分布式推理	2025 年 6 月 ✅
cloreai/partner:nastya-01	合作伙伴集成工具	2025 年 4 月 ✅

⚠️ 标记为 ⚠️ 的镜像超过一年未更新。对于 ML 工作负载，考虑使用 社区镜像 下面的镜像提供了更新的 CUDA 和框架版本。

推荐的社区镜像

来自更广泛 AI/ML 社区的实战镜像，具有积极维护和较新的版本。

深度学习框架

镜像	标签	描述	使用场景	端口
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	带 CUDA 13.0 的最新 PyTorch	深度学习训练/推理	8888（Jupyter）
nvidia/cuda	13.1.1-runtime-ubuntu22.04	NVIDIA CUDA 运行时	自定义 CUDA 应用	-
nvidia/cuda	13.1.1-devel-ubuntu22.04	CUDA 开发工具	构建 CUDA 项目	-
tensorflow/tensorflow	2.15.0-gpu	TensorFlow GPU 支持	TensorFlow 工作流	8888（TensorBoard）

大模型推理引擎

镜像	标签	描述	使用场景	端口
vllm/vllm-openai	latest	高性能大模型服务	生产级大模型 API	8000
ghcr.io/huggingface/text-generation-inference	3.3.5	Hugging Face TGI	企业级大模型服务	80
ollama/ollama	latest	本地大模型运行器	本地/边缘大模型部署	11434

图像生成

镜像	标签	描述	使用场景	端口
goolashe/automatic1111-sd-webui	latest	Stable Diffusion WebUI	AI 艺术生成	7860
sinfallas/comfyui	latest	ComfyUI 节点式 SD	高级图像工作流	8188

开发环境

镜像	标签	描述	使用场景	端口
jupyter/tensorflow-notebook	latest	Jupyter + TensorFlow	ML 实验	8888
jupyter/pytorch-notebook	latest	Jupyter + PyTorch	深度学习研究	8888
cschranz/gpu-jupyter	v1.10_cuda-12.9_ubuntu-24.04	启用 GPU 的 Jupyter	GPU 计算	8888

选择镜像

通过网页界面

1. 前往 市场 → 查找服务器 → 租用

2. 在订单表单中，选择 Docker 镜像 从下拉菜单

3. 从预配置选项中选择或输入自定义镜像

4. 配置暴露的端口（逗号分隔： 8888,7860,8000)

5. 如有需要，添加环境变量

6. 提交订单

通过 API

{
  "image": "pytorch/pytorch:2.10.0-cuda13.0-cudnn9-runtime",
  "ports": [8888, 8000],
  "env": {
    "JUPYTER_ENABLE_LAB": "yes"
  }
}

自定义 Docker 镜像

支持的注册表

• Docker Hub: username/image:tag

• GitHub 容器注册表: ghcr.io/user/image:tag

• NVIDIA NGC: nvcr.io/nvidia/image:tag

• Google 容器注册表: gcr.io/project/image:tag

示例

# PyTorch 最新版，带 CUDA 12.1
pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

# NVIDIA CUDA 基础镜像
nvidia/cuda:12.2.0-base-ubuntu22.04

# Hugging Face Transformers
huggingface/transformers-pytorch-gpu:4.35.0

# 自定义镜像
your-username/my-ai-model:v1.0

自定义镜像要求

• ✅ 必须可公开访问

• ✅ 应包含对 NVIDIA GPU 的支持以用于 GPU 实例

• ✅ 基于启用 CUDA 的镜像以获得 GPU 加速

• ✅ 包含必要的驱动程序和库

• ⚠️ 大型镜像（>10GB）可能需要更长的下载时间

端口配置

为您的应用暴露端口，以便从外部访问：

端口	常见用途	框架
22	SSH 访问	系统
8888	Jupyter Notebook/Lab	Jupyter
7860	Gradio 界面	SD WebUI、Gradio 应用
8000	API 服务器	vLLM、FastAPI
3000	Web 应用	React、Node.js
8080	HTTP 服务	通用 Web 服务
11434	Ollama API	Ollama
8188	ComfyUI 界面	ComfyUI

在订单表单中设置端口

8888,7860,8000

环境变量

向容器传递配置：

常见示例

# Hugging Face 令牌
HF_TOKEN=hf_your_token_here

# 模型配置
MODEL_NAME=meta-llama/Llama-2-7b-chat-hf
CUDA_VISIBLE_DEVICES=0

# Jupyter 配置
JUPYTER_ENABLE_LAB=yes
JUPYTER_TOKEN=your_secure_token

# vLLM 配置
VLLM_WORKER_MULTIPROC_METHOD=spawn

安全注意事项

• ❌ 不要将机密放入环境变量

• ✅ 使用临时令牌或 API 密钥

• ✅ 在可能的情况下将机密挂载为卷

持久存储

存储位置

• /workspace - 通常在租用期间是持久的

• /root - 容器重启时可能会被重置

• /tmp - 临时存储，非持久

最佳实践

• 将重要数据存储在 /workspace

• 使用外部存储进行备份（S3、GCS 等）

• 将模型下载到持久目录

• 对大型数据集使用卷挂载

最佳实践

镜像选择

1. 使用近期的标签 - 避免 latest 在生产环境中，优先使用有版本的标签

2. 选择合适的基础镜像 - 将 CUDA 版本与您的框架匹配

3. 考虑镜像大小 - 较小的镜像下载更快

4. 检查维护情况 - 优先选择积极维护的镜像

安全

1. 暴露最少的端口 - 仅暴露您需要的端口

2. 使用身份验证 - 为 Jupyter/网页界面设置令牌

3. 定期更新 - 使用近期的镜像版本

4. 监控访问 - 检查谁连接到您的服务

性能

1. GPU 兼容性 - 验证 CUDA 版本是否满足您的需求

2. 预先下载模型 - 在自定义镜像中包含模型以加快启动

3. 优化容器 - 使用多阶段构建，最小化图层

4. 缓存管理 - 利用 Docker 图层缓存

故障排除

镜像无法启动

# 检查镜像是否存在且为公共镜像
docker pull your-image:tag

# 验证 CUDA 兼容性
nvidia-smi
nvcc --version

常见问题：

• 镜像不存在或为私有镜像

• CUDA 版本不兼容

• 磁盘空间不足

• 架构错误（arm64 与 x86_64）

GPU 无法访问

# 检查 GPU 可用性
nvidia-smi

# 在容器中测试 CUDA
python -c "import torch; print(torch.cuda.is_available())"

解决方案：

• 使用支持 GPU 的基础镜像

• 确保 NVIDIA 容器工具包可用

• 检查 CUDA 驱动兼容性

无法访问已暴露的端口

1. 等待容器完全启动（检查日志）

2. 验证服务在容器内部正在运行： netstat -tlnp

3. 检查服务是否绑定到 0.0.0.0，而不是 127.0.0.1

4. 确认端口在订单表单中已暴露

性能问题

• 对模型权重使用本地 SSD 存储

• 根据可用 GPU 内存优化批量大小

• 监控 GPU 利用率： nvidia-smi -l 1

• 检查 CPU/内存 使用情况： htop

快速入门示例

部署带 PyTorch 的 Jupyter

镜像：pytorch/pytorch:2.10.0-cuda13.0-cudnn9-runtime
端口：8888
命令：jupyter lab --ip=0.0.0.0 --allow-root --no-browser

部署 vLLM API 服务器

镜像：vllm/vllm-openai:latest
端口：8000
环境：MODEL_NAME=microsoft/DialoGPT-medium
命令：python -m vllm.entrypoints.openai.api_server --model $MODEL_NAME --host 0.0.0.0

部署 Stable Diffusion WebUI

镜像：goolashe/automatic1111-sd-webui:latest
端口：7860
命令：--listen --api --xformers

部署 Ollama

镜像：ollama/ollama:latest
端口：11434
命令：ollama serve
# 然后：ollama run llama2（在容器内执行）