ml-workspace

项目介绍

简介

ml-workspace 是一个集成化的、基于网络的开发环境，专门用于机器学习和数据科学。它可以轻松部署，让用户能够快速地在个人设备上搭建和开发机器学习解决方案。这个环境预装了多种流行的数据科学库（例如 Tensorflow, PyTorch, Keras, Sklearn）和开发工具（例如 Jupyter, VS Code, Tensorboard），并进行了良好的配置、优化和集成，是开发者的终极工具。

主要特点

• 提供基于网络的 Jupyter, JupyterLab 和 Visual Studio Code 开发环境。
• 预装了许多流行的数据科学库和工具。
• 通过网络浏览器可以访问完整的 Linux 桌面图形用户界面。
• 无缝集成了针对笔记本的 Git 功能。
• 通过 Tensorboard 和 Netdata 进行硬件和训练监控。
• 可以通过 Web, SSH 或 VNC 在单一端口进行访问，方便从任何地方连接。
• 可以通过 SSH 作为远程内核（Jupyter）或远程机器（VS Code）使用。
• 可通过 Docker 在 Mac, Linux 和 Windows 上轻松部署。

快速开始

前提条件

要使用 ml-workspace，您的机器上需要安装 Docker。

启动单个实例

可以使用以下命令轻松启动一个工作空间实例：

docker run -p 8080:8080 mltooling/ml-workspace:0.13.2

运行后，您可以通过 http://localhost:8080 访问工作空间。

配置选项

工作空间提供了通过环境变量配置的多种选项，例如启用 SSL、设置认证、限制内存和 CPU 使用等。

数据持久化

如果希望在容器重启后数据仍然存在，可以将一个 volume 挂载到 /workspace 目录。

各种风味

除了主工作空间镜像（mltooling/ml-workspace），该项目还提供其他镜像版本以支持多种使用场景，例如最小化版本、R 版本、Spark 版本和 GPU 版本。

多用户设置

ml-workspace 主要设计为单用户开发环境。对于多用户场景，推荐使用 ML Hub，该工具基于 JupyterHub, 适用于多个用户的管理。

支持与联系

该项目由 Benjamin Räthlein、Lukas Masuch 和 Jan Kalkan 维护。为了让更多人受益，项目建议所有支持请求和问题通过公开的渠道讨论。

功能展示

ml-workspace 提供了一系列顶级的开源开发工具以帮助机器学习工作流程，包括但不限于 Jupyter、桌面 GUI、Visual Studio Code、JupyterLab、Git 集成、文件共享、端口访问、Tensorboard、硬件监控和 SSH 访问。用户可以在工作空间内具有完全的 root 和 sudo 权限，以便于通过终端安装所需的库或工具。

在 Jupyter 中，用户可以通过 Open Tool 菜单来使用这些工具，并在工作空间中找到各种第三方扩展以提高工作效率。