Доступные Docker-образы

При аренде GPU-сервера на Clore.ai вы можете выбрать из заранее настроенных образов Docker или использовать свои собственные пользовательские образы.

Официальные образы Clore

Предварительно собранные образы, поддерживаемые Clore.ai, оптимизированные для децентрализованного рынка GPU.

Общего назначения

Образ Docker	Описание	Порты	Обновлён
cloreai/jupyter:ubuntu24.04-v2	Jupyter Lab + SSH на Ubuntu 24.04	22, 8888	Янв 2025 ✅
cloreai/ml-tools:0.1	Jupyter Lab + веб-сервер VS Code	22, 8888	Июль 2023 ⚠️
cloreai/ubuntu20.04-jupyter:latest	Ubuntu 20.04 + SSH + Jupyter	22, 8888	Ноя 2022 ⚠️
cloreai/ubuntu-20.04-remote-desktop:1.2	Ubuntu с графическим удалённым рабочим столом	22, 3389	Май 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	Июль 2023 ⚠️

Инференс AI/ML

Образ Docker	Описание	Порты	Обновлён
cloreai/deepseek-r1-8b:latest	DeepSeek R1 8B готов к запуску	8000	Янв 2025 ✅
cloreai/stable-diffusion-webui:latest	AUTOMATIC1111 SD WebUI	7860	Сен 2023 ⚠️
cloreai/oobabooga:1.5	Веб-интерфейс для генерации текста	7860	Авг 2023 ⚠️

Инфраструктура и майнинг

Образ Docker	Описание	Обновлён
cloreai/monitoring:0.7	Агент мониторинга сервера	Сен 2024 ✅
cloreai/hiveos:0.4	Интеграция с HiveOS	Фев 2025 ✅
cloreai/openvpn-proxy:0.2	VPN/проксирование и переадресация	Фев 2025 ✅
cloreai/proxy:0.2	Система переадресации портов	Янв 2024
cloreai/automining:0.1	Автонастройка майнинга	Июн 2023 ⚠️
cloreai/kuzco:latest	Распределённый инференс Kuzco	Июн 2025 ✅
cloreai/partner:nastya-01	Инструменты интеграции партнёров	Апр 2025 ✅

⚠️ Образы, отмеченные ⚠️, не обновлялись более года. Для ML‑нагрузок рассмотрите использование сообществных образов ниже, которые предлагают более новые версии CUDA и фреймворков.

Рекомендуемые образы сообщества

Проверенные временем образы от широкого сообщества AI/ML с активным сопровождением и актуальными версиями.

Фреймворки глубокого обучения

Образ	Тег	Описание	Сценарий использования	Порты
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	Последний PyTorch с CUDA 13.0	Обучение/инференс глубоких нейросетей	8888 (Jupyter)
nvidia/cuda	13.1.1-runtime-ubuntu22.04	Среда выполнения NVIDIA CUDA	Пользовательские CUDA-приложения	-
nvidia/cuda	13.1.1-devel-ubuntu22.04	Инструменты разработки CUDA	Сборка CUDA-проектов	-
tensorflow/tensorflow	2.15.0-gpu	Поддержка TensorFlow на GPU	Рабочие процессы TensorFlow	8888 (TensorBoard)

Движки инференса LLM

Образ	Тег	Описание	Сценарий использования	Порты
vllm/vllm-openai	latest	Высокопроизводительный сервис для LLM	Производственные LLM API	8000
ghcr.io/huggingface/text-generation-inference	3.3.5	Hugging Face TGI	Корпоративный сервис для LLM	80
ollama/ollama	latest	Локальный исполнитель LLM	Локальное/edge-развёртывание LLM	11434

Генерация изображений

Образ	Тег	Описание	Сценарий использования	Порты
goolashe/automatic1111-sd-webui	latest	Stable Diffusion WebUI	Генерация AI-арта	7860
sinfallas/comfyui	latest	ComfyUI с узловым подходом для SD	Продвинутые рабочие процессы с изображениями	8188

Среды разработки

Образ	Тег	Описание	Сценарий использования	Порты
jupyter/tensorflow-notebook	latest	Jupyter + TensorFlow	Эксперименты в ML	8888
jupyter/pytorch-notebook	latest	Jupyter + PyTorch	Исследования в области глубокого обучения	8888
cschranz/gpu-jupyter	v1.10_cuda-12.9_ubuntu-24.04	Jupyter с поддержкой GPU	GPU-вычисления	8888

Выбор образа

Через веб-интерфейс

1. Перейдите на Маркетплейс → Найти сервер → Арендовать

2. В форме заказа выберите Образ Docker в выпадающем списке

3. Выберите из заранее настроенных опций или укажите пользовательский образ

4. Настройте открываемые порты (через запятую: 8888,7860,8000)

5. Добавьте переменные окружения при необходимости

6. Отправить заказ

Через API

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

Пользовательские образы Docker

Поддерживаемые регистры

• Docker Hub: username/image:tag

• GitHub Container Registry: ghcr.io/user/image:tag

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

• Google Container Registry: gcr.io/project/image:tag

Примеры

# PyTorch latest with CUDA 12.1
pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

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

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

# Custom image
your-username/my-ai-model:v1.0

Требования к пользовательским образам

• ✅ Должен быть общедоступным

• ✅ Должен включать поддержку NVIDIA GPU для GPU‑инстансов

• ✅ Основываться на образах с поддержкой CUDA для GPU‑ускорения

• ✅ Включать необходимые драйверы и библиотеки

• ⚠️ Большие образы (>10 ГБ) могут загружаться дольше

Настройка портов

Откройте порты для ваших приложений, чтобы сделать их доступными извне:

Порт	Типичное использование	Фреймворк
22	SSH-доступ	Система
8888	Jupyter Notebook/Lab	Jupyter
7860	Интерфейсы Gradio	SD WebUI, Gradio-приложения
8000	API-серверы	vLLM, FastAPI
3000	Веб-приложения	React, Node.js
8080	HTTP-сервисы	Общие веб-сервисы
11434	Ollama API	Ollama
8188	Интерфейс ComfyUI	ComfyUI

Установка портов в форме заказа

8888,7860,8000

Переменные окружения

Передавайте конфигурацию в контейнеры:

Типичные примеры

# Hugging Face token
HF_TOKEN=hf_your_token_here

# Model configuration
MODEL_NAME=meta-llama/Llama-2-7b-chat-hf
CUDA_VISIBLE_DEVICES=0

# Jupyter configuration
JUPYTER_ENABLE_LAB=yes
JUPYTER_TOKEN=your_secure_token

# vLLM configuration
VLLM_WORKER_MULTIPROC_METHOD=spawn

Заметки по безопасности

• ❌ Не храните секреты в переменных окружения

• ✅ Используйте временные токены или API-ключи

• ✅ Монтируйте секреты как тома, когда это возможно

Постоянное хранилище

Места хранения

• /workspace - Обычно сохраняется в течение периода аренды

• /root - Может быть сброшено при перезапуске контейнера

• /tmp - Временное хранилище, не постоянное

Рекомендуемые практики

• Храните важные данные в /workspace

• Используйте внешнее хранилище для резервных копий (S3, GCS и т.д.)

• Загружайте модели в постоянные директории

• Используйте монтирование томов для больших наборов данных

Рекомендуемые практики

Выбор образа

1. Используйте актуальные теги - Избегайте latest в продакшене предпочтительнее версионированные теги

2. Выбирайте подходящее базовое - Сопоставляйте версию CUDA с вашим фреймворком

3. Учитывайте размер образа - Меньшие образы загружаются быстрее

4. Проверяйте поддержку обслуживания - Предпочитайте образы с активным сопровождением

Безопасность

1. Открывайте минимальное количество портов - Открывайте только необходимые порты

2. Используйте аутентификацию - Устанавливайте токены для Jupyter/веб-интерфейсов

3. Обновляйте регулярно - Используйте актуальные версии образов

4. Мониторьте доступ - Проверяйте, кто подключается к вашим сервисам

Производительность

1. Совместимость GPU - Убедитесь, что версия CUDA соответствует вашим требованиям

2. Предварительно загружайте модели - Включайте модели в пользовательские образы для более быстрого старта

3. Оптимизируйте контейнеры - Используйте многоступенчатую сборку, минимизируйте слои

4. Управление кэшем - Используйте кэширование слоёв Docker

Устранение неполадок

Образ не запускается

# Проверьте, существует ли образ и является ли он публичным
docker pull your-image:tag

# Проверьте совместимость с CUDA
nvidia-smi
nvcc --version

Частые проблемы:

• Образ не существует или является приватным

• Несовместимая версия CUDA

• Недостаточно места на диске

• Неправильная архитектура (arm64 vs x86_64)

GPU недоступен

# Проверьте доступность GPU
nvidia-smi

# Протестируйте CUDA в контейнере
python -c "import torch; print(torch.cuda.is_available())"

Решения:

• Используйте базовые образы, совместимые с GPU

• Убедитесь, что доступен NVIDIA Container Toolkit

• Проверьте совместимость драйвера CUDA

Не удаётся получить доступ к открытым портам

1. Подождите полной загрузки контейнера (проверьте логи)

2. Проверьте, что сервис запущен внутри контейнера: netstat -tlnp

3. Проверьте, что сервис привязывается к 0.0.0.0, а не к 127.0.0.1

4. Подтвердите, что порт указан в форме заказа

Проблемы с производительностью

• Используйте локальное SSD-хранилище для весов моделей

• Оптимизируйте размер батчей под доступную память GPU

• Мониторьте загрузку GPU: nvidia-smi -l 1

• Проверьте загрузку CPU/памяти: htop

Быстрые примеры запуска

Развернуть Jupyter с PyTorch

Образ: pytorch/pytorch:2.10.0-cuda13.0-cudnn9-runtime
Порты: 8888
Команда: jupyter lab --ip=0.0.0.0 --allow-root --no-browser

Развернуть vLLM API‑сервер

Образ: vllm/vllm-openai:latest
Порты: 8000
Переменные окружения: MODEL_NAME=microsoft/DialoGPT-medium
Команда: python -m vllm.entrypoints.openai.api_server --model $MODEL_NAME --host 0.0.0.0

Развернуть Stable Diffusion WebUI

Образ: goolashe/automatic1111-sd-webui:latest
Порты: 7860
Команда: --listen --api --xformers

Развернуть Ollama

Образ: ollama/ollama:latest
Порты: 11434
Команда: ollama serve
# Затем: ollama run llama2 (внутри контейнера)