🚀 Docker Python AI

Docker container pour Deep/Machine Learning en Python, incluant la plupart des bibliothèques nécessaires : TensorFlow, PyTorch, Keras, MXNet, Scikit-Learn, Pandas, Jupyter Notebook, et bien d’autres.

---

🔧 Contenu de l’image

• Base : debian:bullseye-slim
• Python : 3.13.7 (compilé depuis les sources, optimisé)
• Librairies scientifiques : NumPy, Pandas, SciPy, Scikit-learn, Matplotlib, Seaborn
• Deep Learning : TensorFlow, Keras, PyTorch, MXNet, XGBoost
• Outils pratiques : Jupyter Notebook (préconfiguré sans token), Graphviz, yfinance
• Optimisations : nettoyage après build pour réduire la taille de l’image

---

📦 Construction de l’image

Clone le repo (ou copie le Dockerfile), puis exécute :

docker build -t deep-learning .

ou exécute :

docker pull lcoussy/docker-python-ai

---

▶️ Lancer le container

1. Sans GPU (CPU uniquement)

Lancer dans le répertoire avec les notebooks :

docker run -it --rm --name docker-ai \
    -p 8888:8888 \
    -v $(pwd):/home/notebooks \
    lcoussy/docker-python-ai

➡️ Ensuite, ouvre ton navigateur sur http://localhost:8888.

---

2. Avec GPU (via NVIDIA Docker)

Assure-toi d’avoir installé :

• Les drivers NVIDIA sur ta machine
• Le runtime nvidia-container-toolkit (doc officielle)

Puis lance dans le répertoire avec les notebooks :

docker run -it --rm --name docker-ai \
    --gpus all \
    -p 8888:8888 \
    -v $(pwd):/home/notebooks \
    lcoussy/docker-python-ai

Cela permettra à TensorFlow, PyTorch, et MXNet de détecter et utiliser ton GPU.

---

⚡ Tips

• Pour personnaliser la liste des bibliothèques installées, modifie PIP_PACKAGES dans le Dockerfile.
• Augmenter la Ram allouée dans /dev/shm (64Mo par défaut) : ajouter --shm-size=2g dans le docker run

---

🌐 Ressources

• Fork de cette image : Docker Hub – petronetto/docker-python-deep-learning