kitware/cmb Docker 镜像 - 轩辕镜像

计算模型构建器 (Computational Model Builder) 镜像文档

镜像概述和主要用途

计算模型构建器镜像是一个预配置的Docker环境，旨在简化各类计算模型的构建、训练与部署流程。该镜像集成了主流计算框架（如TensorFlow、PyTorch、Scikit-learn等）及常用工具库，提供开箱即用的模型开发环境，帮助用户快速上手，减少环境配置时间，专注于模型设计与优化。

主要用途包括：

• 科学计算模型的构建与验证
• 机器学习/深度学习模型的开发与训练
• 数据分析与预测模型的快速原型开发
• 跨平台一致的模型开发与部署环境

核心功能和特性

核心功能

1. 多框架支持：集成TensorFlow、PyTorch、Scikit-learn、XGBoost等主流计算框架，满足分类、回归、聚类等多种模型开发需求
2. 环境预配置：内置Python、CUDA（GPU版本）、科学计算库（NumPy、Pandas、Matplotlib）等依赖，无需手动安装
3. 全流程支持：覆盖数据预处理、模型训练、评估、导出及部署的完整生命周期
4. 资源优化：针对CPU/GPU环境优化，支持多线程计算与分布式训练（需配置）

特性

• 轻量级设计：基于Alpine/Ubuntu Slim基础镜像，最小化镜像体积
• 灵活定制：支持通过环境变量、配置文件或挂载卷自定义模型参数与训练流程
• 跨平台兼容：适配Linux、Windows、macOS等主流操作系统的Docker环境
• GPU加速：提供GPU专用版本，支持CUDA加速训练（需宿主环境支持）

使用场景和适用范围

适用场景

• 学术研究：快速验证新算法，复现已有研究成果
• 企业数据分析：构建预测模型（如销售预测、用户行为分析）
• 教育教学：演示模型构建流程，提供一致的教学实验环境
• 快速原型：产品开发早期快速验证模型可行性与性能

适用人群/团队

• 数据科学家与机器学习工程师
• 科研机构研究人员
• 高校教师与学生
• 企业数据分析团队

使用方法和配置说明

前提条件

• 已安装Docker Engine（20.10+版本推荐）
• 若使用GPU版本，需安装NVIDIA Docker Toolkit（nvidia-docker2）

获取镜像

拉取CPU版本

bash
docker pull computational-model-builder:latest

拉取GPU版本（支持CUDA 11.7+）

bash
docker pull computational-model-builder:gpu-latest

基本使用示例

1. 启动交互式容器（CPU版本）

bash
docker run -it --rm \
  -v $(pwd)/models:/app/models \  # 挂载本地模型存储目录
  -v $(pwd)/data:/app/data \      # 挂载本地数据目录
  -v $(pwd)/scripts:/app/scripts \# 挂载自定义脚本目录
  computational-model-builder:latest \
  /bin/bash

上述命令启动交互式容器，可直接在容器内执行模型开发、训练等操作，本地文件通过挂载卷实时同步。

2. 非交互式运行模型训练

bash
docker run --rm \
  -v $(pwd)/data:/app/data \
  -v $(pwd)/output:/app/output \
  -e MODEL_TYPE=classification \  # 设置模型类型为分类
  -e EPOCHS=10 \                  # 设置训练轮次
  -e BATCH_SIZE=32 \              # 设置批次大小
  computational-model-builder:latest \
  python train.py --data-path /app/data/train.csv --output-path /app/output/model.pkl

配置参数说明

环境变量配置

命令行参数（以train.py为例）

自定义配置文件示例

通过YAML配置文件覆盖默认参数（推荐复杂场景使用）：

yaml
# config.yaml
model_type: regression
epochs: 20
batch_size: 64
learning_rate: 0.0005
optimizer: adam
data:
  train_path: /app/data/train.csv
  test_path: /app/data/test.csv
  feature_cols: ["f1", "f2", "f3"]
  target_col: "label"
output:
  path: /app/output/model.pkl
  format: pkl
  save_metrics: true

使用配置文件启动训练：

bash
docker run --rm \
  -v $(pwd)/config.yaml:/app/config.yaml \
  -v $(pwd)/data:/app/data \
  -v $(pwd)/output:/app/output \
  computational-model-builder:latest \
  python train.py --config /app/config.yaml

高级用法

Docker Compose部署

创建docker-compose.yml配置文件：

yaml
version: '3.8'
services:
  model-builder:
    image: computational-model-builder:latest
    volumes:
      - ./data:/app/data
      - ./models:/app/models
      - ./scripts:/app/scripts
      - ./logs:/app/logs
    environment:
      - MODEL_TYPE=clustering
      - EPOCHS=20
      - LOG_LEVEL=DEBUG
    command: python /app/scripts/custom_train.py --config /app/scripts/config.yaml

启动服务：

bash
docker-compose up -d

查看日志：

bash
docker-compose logs -f

构建自定义镜像

基于官方镜像扩展功能（如添加特定依赖）：

dockerfile
# 自定义Dockerfile
FROM computational-model-builder:latest

# 安装额外依赖库
RUN pip install lightgbm catboost

# 添加自定义工具脚本
COPY ./utils /app/utils

# 设置工作目录
WORKDIR /app/workspace

构建并使用：

bash
docker build -t my-custom-model-builder .
docker run -it --rm my-custom-model-builder /bin/bash

常见问题解决

1. GPU版本无法启用GPU：
   确认宿主环境已安装NVIDIA驱动和nvidia-docker2，运行nvidia-smi验证GPU是否正常识别，启动容器时添加--gpus all参数：

   bash
   docker run --gpus all -it --rm computational-model-builder:gpu-latest
   

2. 数据挂载权限问题：
   容器内默认使用非root用户（uid=1000），若挂载目录权限不足，可通过-u $(id -u):$(id -g)参数指定当前用户ID：

   bash
   docker run -it --rm -u $(id -u):$(id -g) -v $(pwd)/data:/app/data computational-model-builder:latest
   

3. 扩展依赖冲突：
   使用自定义Dockerfile时，建议通过pip freeze > requirements.txt导出依赖版本，确保兼容性。