Images específicas do Deep Learning VM Image estão disponíveis para se adequar ao framework e processador que você escolher. Atualmente, há imagens compatíveis com TensorFlow, PyTorch e computação de alto desempenho genérica, com versões para fluxos de trabalho apenas CPU e ativado para GPU. Para encontrar a imagem pretendida, consulte a tabela abaixo.
Como decidir sobre uma família de imagens
Escolha uma família de imagens de VM de aprendizado profundo com base no framework
e no processador de que você precisa.
A tabela a seguir lista as versões mais recentes de famílias de imagens, organizadas por tipo de framework.
Para acessar a versão mais recente de uma imagem, crie uma instância
referenciando uma família de imagens com latest no nome.
Se você precisar de uma versão de framework específica, vá para Versões de framework
compatíveis.
| Framework | Processador | Nome(s) de família de imagens |
|---|---|---|
| Base | GPU |
common-cu123common-cu122common-cu121common-cu118common-cu113common-cu110
|
| CPU | common-cpu |
|
| TensorFlow Enterprise | GPU | tf-ent-latest-gpu |
| CPU | tf-ent-latest-cpu |
|
| PyTorch | GPU | pytorch-latest-gpu |
| CPU | pytorch-latest-cpu |
Como escolher um sistema operacional
Para a maioria das bibliotecas, o Debian 11 é o SO padrão. As imagens do Ubuntu 22.04 estão disponíveis para alguns frameworks.
Elas são indicadas pelos sufixos
-ubuntu-2204 e no nome da família de imagens (consulte Como listar todas as versões
disponíveis).
As imagens do Debian 10 e Debian 9 estão obsoletas.
As famílias de imagens PyTorch e TensorFlow Enterprise oferecem suporte a aceleradores de GPU A100.
Imagens do TensorFlow Enterprise
As famílias de imagens do TensorFlow Enterprise oferecem uma distribuição do TensorFlow otimizada pelo Google Cloud. Para mais informações sobre o TensorFlow Enterprise, incluindo quais versões são compatíveis, consulte Visão geral do TensorFlow Enterprise.
Imagens experimentais
Algumas famílias de Deep Learning VM Image são experimentais, conforme indicado pela tabela de famílias de imagens. Imagens experimentais são compatíveis com base no melhor esforço e podem não receber atualizações em cada nova versão do framework.
Como especificar uma versão de imagem
É possível reutilizar uma imagem, mesmo que a última seja a mais recente. Isso pode ser útil, por exemplo, se você está tentando criar um cluster e quer garantir que as imagens usadas para criar novas instâncias sejam sempre as mesmas. Você não deve usar o nome da família de imagens nessa situação porque, se a imagem mais recente for atualizada, você terá imagens diferentes em algumas instâncias do cluster.
Em vez disso, determine qual é o nome exato da imagem, incorpore o número da versão e, em seguida, use essa imagem específica para gerar novas instâncias no cluster.
Para descobrir o nome exato da imagem mais recente, use o seguinte comando na CLI do Google Cloud com seu terminal preferido ou no Cloud Shell. Substitua IMAGE_FAMILY pelo nome da família da imagem para a qual você quer descobrir o número da versão mais recente.
gcloud compute images describe-from-family IMAGE_FAMILY \
--project deeplearning-platform-releaseProcure o campo name na saída e use o nome da imagem fornecido
ao criar novas instâncias.
Versões de framework compatíveis
A VM de aprendizado profundo é compatível com cada versão de framework com base em uma programação para minimizar as vulnerabilidades de segurança. Leia a política de suporte ao framework da VM de aprendizado profundo para entender as implicações das datas de término de suporte e fim da disponibilidade.
Se você precisar de uma estrutura específica ou versão CUDA, consulte as tabelas a seguir. Para
encontrar um VERSION_DATE específico para uma imagem, consulte Como listar
as versões disponíveis.
Versões de base
| Versão do framework de MLs | Versão atual do patch | Aceleradores compatíveis | Fim do patch e da data de suporte | Data de término da disponibilidade | Nome da família da imagem |
|---|---|---|---|---|---|
| CPU base (Python 3.10 / Debian 11) | Não relevante (N/A) | Somente CPU | 1 de julho de 2024 | 1 de julho de 2025 | common-cpu-VERSION_DATE-debian-11 |
| Base-cu123 (Python 3.10) | CUDA 12.3 | GPU (CUDA 12.3) | 19 de outubro de 2024 | 19 de outubro de 2025 | common-cu123-VERSION_DATE-debian-11-py310 |
| Base-cu122 (Python 3.10) | CUDA 12.2 | GPU (CUDA 12.2) | 28 de junho de 2024 | 28 de junho de 2025 | common-cu122-VERSION_DATE-debian-11-py310 |
| Base-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28 de fevereiro de 2024 | 28 de fevereiro de 2025 | common-cu121-VERSION_DATE-debian-11-py310 |
| Base-cu118 (Python 3.10) | CUDA 11.8 | GPU (CUDA 11.8) | 1 de julho de 2024 | 1 de julho de 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.10) | CUDA 11.3 | GPU (CUDA 11.3) | 1 de janeiro de 2024 | 1 de janeiro de 2025 | common-cu113-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.7) | CUDA 11.3 | GPU (CUDA 11.3) | 1 de setembro de 2023 | 1 de setembro de 2024 | common-cu113-VERSION_DATE-py37 |
| Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 1 de setembro de 2023 | 1 de setembro de 2024 | common-cu110-VERSION_DATE-py37 |
| CPU base (Python 3.7) | Não relevante (N/A) | Somente CPU | 1 de setembro de 2023 | 1 de setembro de 2024 | common-cpu-VERSION_DATE-debian-10 |
Versões do TensorFlow
| Versão do framework de MLs | Versão atual do patch | Aceleradores compatíveis | Fim do patch e da data de suporte | Data de término da disponibilidade | Nome da família da imagem |
|---|---|---|---|---|---|
| 2.17 (Python 3.10) | 2.17.0 | Somente CPU | 11 de julho de 2025 | 11 de julho de 2026 | tf-2-17-cpu-VERSION_DATE-py310 |
| 2.17 (Python 3.10) | 2.17.0 | GPU (CUDA 12.3) | 11 de julho de 2025 | 11 de julho de 2026 | tf-2-17-cu123-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | Somente CPU | 28 de junho de 2025 | 28 de junho de 2026 | tf-2-16-cpu-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | GPU (CUDA 12.3) | 28 de junho de 2025 | 28 de junho de 2026 | tf-2-16-cu123-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | Somente CPU | 14 de novembro de 2024 | 14 de novembro de 2024 | tf-2-15-cpu-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.2) | 14 de novembro de 2024 | 14 de novembro de 2024 | tf-2-15-cu122-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | Somente CPU | 26 de setembro de 2024 | 26 de setembro de 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 de setembro de 2024 | 26 de setembro de 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | Somente CPU | 5 de julho de 2024 | 5 de julho de 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 de julho de 2024 | 5 de julho de 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | Somente CPU | 30 de junho de 2024 | 30 de junho de 2025 | tf-2-12-cpu-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | GPU (CUDA 11.8) | 30 de junho de 2024 | 30 de junho de 2025 | tf-2-12-cu113-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | Somente CPU | 15 de novembro de 2022 | 15 de novembro de 2023 | tf-2-11-cpu-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15 de novembro de 2022 | 15 de novembro de 2023 | tf-2-11-cu113-VERSION_DATE-py310 |
| 2.11 | 2.11.0 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-11-cpu-VERSION_DATE-py37 |
| 2.11 | 2.11.0 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-11-cu113-VERSION_DATE-py37 |
| 2.10 | 2.10.1 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-10-cpu-VERSION_DATE-py37 |
| 2.10 | 2.10.1 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-10-cu113-VERSION_DATE-py37 |
| 2.9 | 2.9.3 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-9-cpu-VERSION_DATE-py37 |
| 2.9 | 2.9.3 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-9-cu113-VERSION_DATE-py37 |
| 2.8 | 2.8.4 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-8-cpu-VERSION_DATE-py37 |
| 2.8 | 2.8.4 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-8-cu113-VERSION_DATE-py37 |
| 2.6 (py39) | 2.6.5 | Somente CPU | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
| 2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-6-cu110-VERSION_DATE-py39 |
| 2.6 (py37) | 2.6.5 | Somente CPU | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
| 2.6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
| 2.3 | 2.3.4 | Somente CPU | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-3-cpu |
| 2.3 | 2.3.4 | GPU (CUDA 11.3) | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-3-cu110-VERSION_DATE |
Versões do PyTorch
| Versão do framework de MLs | Versão atual do patch | Aceleradores compatíveis | Fim do patch e da data de suporte | Data de término da disponibilidade | Nome da família da imagem |
|---|---|---|---|---|---|
| 2.3 (Python 3.10) | 2.3.0 | CUDA 12.1 | 24 de abril de 2025 | 24 de abril de 2026 | pytorch-2-3-VERSION_DATE-py310 |
| 2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 de janeiro de 2024 | 30 de janeiro de 2025 | pytorch-2-2-VERSION_DATE-py310 |
| 2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 de outubro de 2024 | 4 de outubro de 2025 | pytorch-2-1-VERSION_DATE-py310 |
| 2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 de março de 2024 | 15 de março de 2025 | pytorch-2-0-VERSION_DATE-py310 |
| 1.13 (Python 3.10) | 1.13.1 | CUDA 11.3 | 8 de dezembro de 2023 | 8 de dezembro de 2024 | pytorch-1-13-VERSION_DATE-py310 |
| 1.13 | 1.13.1 | CUDA 11.3 | 8 de dezembro de 2023 | 8 de dezembro de 2024 | pytorch-1-13-VERSION_DATE-py37 |
| 1.12 | 1.12.1 | CUDA 11.3 | 1 de setembro de 2023 | 1 de setembro de 2024 | pytorch-1-12-VERSION_DATE-py310 |
Listar todas as versões disponíveis usando a CLI gcloud
Também é possível listar todas as imagens de VM da VM de aprendizado profundo disponíveis usando o seguinte comando da gcloud CLI:
gcloud compute images list \
--project deeplearning-platform-release \
--format="value(NAME)" \
--no-standard-imagesAs famílias de imagens são nomeada no formato
FRAMEWORK-VERSION-CUDA_VERSION(-experimental),
em que FRAMEWORK é a biblioteca de destino,
VERSION é a versão do framework e
CUDA_VERSION é a versão da pilha CUDA, se houver.
Por exemplo, uma imagem da família
tf-ent-2-13-cu113 tem
o TensorFlow Enterprise 2.13 e o CUDA 11.3.
A seguir
Crie uma nova instância de VM de aprendizado profundo usando o Cloud Marketplace ou usando a linha de comando.