运行时环境（镜像）概览
运行时环境中的通用依赖
OpenBayes 默认在运行时环境中包含了大量的基础依赖，以减少在每次容器启动时耗费运行资源进行依赖的下载与安装。
不同运行时镜像、不同标签以及不同时间点更新的镜像，预装依赖和版本都可能不同。本页内容更适合作为“常见环境说明”和“依赖管理方式”的参考，不建议将其中列出的包视为对所有运行时都成立的固定清单。
下面的信息基于一个实际运行中的 runtime 示例（2026-03 检查）：
- Ubuntu 22.04.5 LTS
- Conda 根环境位于
/usr/local - Python
3.10.13 - JupyterLab
4.5.5 - Notebook
7.5.3 - CUDA Driver
13.0 nvcc12.9
如需确认当前容器中的实际环境，建议优先在终端中执行以下命令：
python --version
pip list
conda list
jupyter --version
nvidia-smi
- 运行时提供
python命令（指向 Conda 环境中的 Python），可直接使用 - Python 版本由 Conda 管理，但大部分 Python 依赖推荐使用
pip安装 conda主要用于创建新环境或安装 conda-only 的包- 当前运行时未使用
uv进行依赖管理，请使用pip或conda安装依赖
预先安装的依赖可以按照用途分为以下几个方面：
1. 通用机器学习类库
- scikit-learn 通用机器学习类库，包含了大量的机器学习模型、数据分析、数据挖掘算法以及可视化工具
- ONNX 深度学习模型转换类库
- ONNX Runtime ONNX 模型推理运行时
- PyTorch 深度学习框架，部分运行时会同时预装
torchvision和torchaudio
以上包是当前检查到的实际 runtime 中确认存在的常见机器学习类库。像 xgboost、spaCy、LightGBM、TensorFlow 等包是否预装，取决于你选择的具体运行时镜像，不建议默认假定一定存在。
2. 图像处理工具
常用的图形处理类库
3. 数据分析类库
- pandas
- SciPy
- Matplotlib
- NumPy
除上述类库外，部分运行时还会带有其他科学计算或推理相关依赖，但建议始终以当前容器中的实际结果为准。
如何添加不在列表中的依赖
默认的 OpenBayes 运行时环境已经安装了大量的机器学习场景下的依赖，如果你依然需要额外的依赖，可以通过以下方式安装。
每个运行时环境所安装的 CUDA 版本有所不同，在安装额外的依赖时一定要注意和运行时环境中 CUDA 的环境相匹配。
安装 Python 的类库
如果你在上传代码并以「Python 脚本执行」的方式运行代码时需要一些额外的依赖，可以在上传代码的根目录定义一个名为 openbayes_requirements.txt 或者 requirements.txt 的文件，并将它和其他代码文件一并上传。在代码运行前，系统会先安装这些依赖，再执行「Python 脚本」。
该文件内容的格式和 Python 的 requirements.txt 格式是一致的，一个典型的 openbayes_requirements.txt 文件内容如下：
jieba
tqdm==4.11.2
其中 jieba tqdm 是两个可以通过 pip 安装的类库，通过以上格式即可在执行「python 脚本」之前首先安装这些类库。tqdm==4.11.2 的 == 之后指定了想要具体安装的版本。
系统中一些核心依赖如 tensorflow、torch 的版本不建议被随意修改，因为不同版本对底层 CUDA、编译产物和其他依赖的要求可能不同，容易导致当前环境损坏或出现兼容性问题。
通过 Conda 进行依赖管理
对于「工作空间」这部分见 用 Conda 管理依赖。
对于「Python 脚本执行」可以在上传的代码根目录下提供名为 conda-packages.txt 的文件，其文件格式遵循
[channel::]package[=version[=buildid]]
这里有一个样例：
conda-forge::rdkit
conda-forge::pygpu
如果 requirements.txt、openbayes_requirements.txt 和 conda-packages.txt 同时存在，那么会首先安装 conda-packages.txt 里的依赖，然后再安装 openbayes_requirements.txt 以及 requirements.txt 中的依赖。
安装其他依赖
如果是在「Jupyter 工作空间」中可以参见下一部分。如果是「Python 脚本执行」场景你可以用以下方式安装额外的非 Python 的依赖：
-
将依赖安装命令包含在「执行命令」中
例如想要在运行程序前下载必要的 git 仓库，可以使用以下「执行命令」：
$ git clone https://github.com/tensorflow/models.git && cd models && python ... -
准备一个
dependencies.sh脚本对于非 Conda 和 PyPI 的依赖，可以在根目录提供一个名为
dependencies.sh的文件，在「Python 脚本执行」启动时它会被bash执行，并且其执行会早于openbayes_requirements.txtrequirements.txt和conda-packages.txt依赖的安装。
例如可以准备一个 dependencies.sh 脚本，其内容如下：
git clone https://github.com/tensorflow/models.git
cd models
pip install -r requirements.txt
你的运行时环境为 Linux Ubuntu 环境，如果想要安装额外的包依赖，可以采用 apt-get 或者 apt 命令，当然在执行之前通常需要执行命令 apt-get update 或者 apt update
在 Jupyter 工作空间中安装依赖
在「Jupyter 工作空间」中，你可以安装任意你需要的依赖，不论是 Python 的，还是通过 apt 安装的系统依赖。
例如下面就是在 Notebook 中安装一个额外的 Python 依赖：
推荐优先使用 %pip install jieba。它比 !pip install jieba 更适合 Notebook 场景，因为它会明确安装到当前内核所使用的 Python 环境中。
如果需要安装系统包，可以在终端中执行 apt-get update && apt-get install -y <package>，或者在 Notebook 中使用 !apt-get update && apt-get install -y <package>：
保留 pip 依赖
默认情况下，额外通过 pip 安装的依赖通常保存在系统环境中，容器重启后往往需要重新安装。
如果在安装时加上 --user 参数，则这些依赖会被保存在用户目录对应的位置。当前运行时中，PYTHONUSERBASE 通常指向 /output/.pylibs；而 /openbayes/home 一般会链接到 /output，因此你也可以把它理解为保存在工作空间里。当「工作空间」关闭后再次启动时，这部分依赖通常会随着工作空间一起保留下来。
1. 删除不必要的依赖
如果你不想保留这些依赖，可以在「执行命令」中添加 rm -rf /output/.pylibs 命令。由于 /openbayes/home 通常链接到 /output，删除 /openbayes/home/.pylibs 也可以达到同样效果。
2. 需要不同的 Python 版本
如果需要一个不同的 Python 版本，可以依据 在 /openbayes/home 下创建一个新的环境，在 /openbayes/home 目录下创建一个新的 Conda 环境，并在其中安装完整依赖。
当前 OpenBayes 运行时中的 Python 版本并不是固定的。本文档检查到的实际示例为 Python 3.10.13，但你选择的具体运行时可能不同，建议通过 python --version 先确认。
通过 conda 创建了一个全新的环境后不要使用 pip --user 的参数来安装依赖；在添加 --user 后依赖会被安排在 /openbayes/home/.pylibs 下而不是新创建的 conda 环境下，容易引发依赖的冲突。
安装 Jupyter 工作空间扩展
「Jupyter 工作空间」支持安装扩展，但扩展的安装方式会随着 JupyterLab 大版本变化而变化。较新的运行时通常使用 JupyterLab 4，许多扩展已经改为通过 Python 包分发，旧版本中常见的 jupyter labextension install ... 示例不一定仍然适用。
建议先检查当前环境：
jupyter --version
jupyter labextension list
如果目标扩展的官方文档明确说明支持当前 JupyterLab 版本，再按对应方式安装。对于 JupyterLab 4，更常见的方式是直接安装对应的 Python 包，例如：
pip install <extension-package>
安装完成后，可以再次执行 jupyter labextension list 检查扩展状态。
