Passend zum Framework und Prozessor Ihrer Wahl sind verschiedene spezifische Deep Learning-VM-Images verfügbar. Aktuell gibt es Images, die TensorFlow, PyTorch und generisches Hochleistungs-Computing unterstützen. Einige Versionen unterstützen sowohl ausschließlich CPU-basierte als auch GPU-fähige Workflows. Informationen dazu, wie Sie das gewünschte Image finden, enthält die unten stehende Tabelle.
Imagefamilie auswählen
Deep Learning-VM-Image-Familie basierend auf dem Framework auswählen
und Prozessor, den Sie benötigen.
In der folgenden Tabelle sind die neuesten Versionen von Imagefamilien nach dem Framework-Typ geordnet aufgeführt.
Erstellen Sie eine Instanz, um die neueste Version eines Images abzurufen
durch Verweisen auf eine Image-Familie mit latest
im Namen.
Wenn Sie eine bestimmte Framework-Version benötigen, fahren Sie mit Unterstütztes Framework fort.
Versionen
Framework | Prozessor | Image-Familienname(n) |
---|---|---|
Basis | GPU |
common-cu123 common-cu122 common-cu121 common-cu118 common-cu113 common-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 |
Betriebssystem auswählen
Bei den meisten Frameworks ist Debian 11 das Standardbetriebssystem. Ubuntu 22.04
für einige Frameworks verfügbar.
Sie sind durch die Suffixe -ubuntu-2204
im Namen der Imagefamilie gekennzeichnet (siehe Alle verfügbaren Versionen auflisten).
Debian 10- und Debian 9-Images wurden verworfen.
PyTorch- und TensorFlow Enterprise-Imagefamilien unterstützen A100-GPU-Beschleuniger.
Enthaltene Abhängigkeiten
Die Listen der Python-Abhängigkeiten, die in den einzelnen Releases enthalten sind, sind in Cloud Storage verfügbar unter
gs://deeplearning-platform-release/installed-dependencies/images/RELEASE_MILESTONE
Ersetzen Sie RELEASE_MILESTONE durch den Release-Meilenstein, z. B. m88
.
Die Listen für die M88-Version finden Sie beispielsweise unter gs://deeplearning-platform-release/installed-dependencies/images/m88/
.
TensorFlow Enterprise-Images
TensorFlow Enterprise-Image-Familien bieten eine Google Cloud optimierte Verteilung von TensorFlow. Weitere Informationen zu TensorFlow Enterprise, einschließlich der Versionen unterstützt werden, finden Sie unter TensorFlow Enterprise – Übersicht
Experimentelle Images
Einige Deep Learning-VM-Imagefamilien sind experimentell, wie in der Tabelle der Imagefamilien angegeben. Experimentelle Images werden auf Best-Effort-Basis unterstützt und werden nicht bei jedem neuen Release des Frameworks automatisch aktualisiert.
Imageversion angeben
Images können wiederverwendet werden, auch wenn es bereits eine neuere Version des Image gibt. Dies kann z. B. sinnvoll sein, wenn Sie einen Cluster erstellen und dabei sicher sein möchten, dass neue Instanzen immer mit denselben Images erstellt werden. In diesem Fall sollte nicht der Name der Imagefamilie angegeben werden. Sonst kann es passieren, dass einige Instanzen des Clusters nach der Aktualisierung des neuesten Image unterschiedliche Images haben.
Ermitteln Sie stattdessen den genauen Namen des Image, fügen Sie die Versionsnummer ein und erstellen Sie neue Instanzen im Cluster mit diesem spezifischen Image.
Verwenden Sie den folgenden Befehl in der Google Cloud-Befehlszeile mit Ihrem bevorzugten Terminal oder in Cloud Shell, um den genauen Namen des neuesten Images herauszufinden. Ersetzen Sie IMAGE_FAMILY durch den Namen der Image-Familie, für die Sie die neueste Versionsnummer ermitteln möchten.
gcloud compute images describe-from-family IMAGE_FAMILY \ --project deeplearning-platform-release
Suchen Sie in der Ausgabe nach dem Feld name
und verwenden Sie den dort angegebenen Imagenamen beim Erstellen neuer Instanzen.
Unterstützte Framework-Versionen
Deep Learning VM unterstützt jede Framework-Version anhand eines Zeitplans, um Sicherheitslücken zu minimieren. Deep Learning VM Framework kennenlernen Supportrichtlinie, um zu verstehen, Auswirkungen der End-of-Support- und End-of-Availability-Termine.
Wenn Sie ein bestimmtes Framework oder eine bestimmte CUDA-Version benötigen, sehen Sie sich die folgenden Tabellen an. Bis
Eine bestimmte VERSION_DATE
für ein Bild finden Sie unter Auflistung
die verfügbaren Versionen.
Basisversionen
ML-Framework-Version | Aktuelle Patchversion | Unterstützte Beschleuniger | Ende des Patch- und Supportdatums | Enddatum der Verfügbarkeit | Image-Familienname |
---|---|---|---|---|---|
Basis-CPU (Python 3.10 / Debian 11) | Nicht zutreffend (N/A) | Nur CPU | 1. Juli 2024 | 1. Juli 2025 | common-cpu-VERSION_DATE-debian-11 |
Base-cu123 (Python 3.10) | CUDA 12.3 | GPU (CUDA 12.3) | 19. Oktober 2024 | 19. Oktober 2025 | common-cu123-VERSION_DATE-debian-11-py310 |
Base-cu122 (Python 3.10) | CUDA 12.2 | GPU (CUDA 12.2) | 28. Juni 2024 | 28. Juni 2025 | common-cu122-VERSION_DATE-debian-11-py310 |
Base-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28. Feb. 2024 | 28. Feb. 2025 | common-cu121-VERSION_DATE-debian-11-py310 |
Base-cu118 (Python 3.10) | CUDA 11.8 | GPU (CUDA 11.8) | 1. Juli 2024 | 1. Juli 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
Base-cu113 (Python 3.10) | CUDA 11.3 | GPU (CUDA 11.3) | 1. Jan. 2024 | 1. Jan. 2025 | common-cu113-VERSION_DATE-debian-11-py310 |
Base-cu113 (Python 3.7) | CUDA 11.3 | GPU (CUDA 11.3) | 1. Sept. 2023 | 1. Sept. 2024 | common-cu113-VERSION_DATE-py37 |
Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 1. Sept. 2023 | 1. Sept. 2024 | common-cu110-VERSION_DATE-py37 |
Basis-CPU (Python 3.7) | Nicht zutreffend (N/A) | Nur CPU | 1. Sept. 2023 | 1. Sept. 2024 | common-cpu-VERSION_DATE-debian-10 |
TensorFlow-Versionen
ML-Framework-Version | Aktuelle Patchversion | Unterstützte Beschleuniger | Ende des Patch- und Supportdatums | Enddatum der Verfügbarkeit | Image-Familienname |
---|---|---|---|---|---|
2.15 (Python 3.10) | 2.15.0 | Nur CPU | 14. Nov. 2024 | 14. Nov. 2025 | tf-2-15-cpu-VERSION_DATE-py310 |
2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.2) | 14. Nov. 2024 | 14. Nov. 2025 | tf-2-15-cu122-VERSION_DATE-py310 |
2.14 (Python 3.10) | 2.14.0 | Nur CPU | 26. Sept. 2024 | 26. Sept. 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26. Sept. 2024 | 26. Sept. 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
2.13 (Python 3.10) | 2.13.0 | Nur CPU | 5. Juli 2024 | 5. Juli 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5. Juli 2024 | 5. Juli 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
2.12 (Python 3.10) | 2.12.0 | Nur CPU | 30. Juni 2024 | 30. Juni 2025 | tf-2-12-cpu-VERSION_DATE-py310 |
2.12 (Python 3.10) | 2.12.0 | GPU (CUDA 11.8) | 30. Juni 2024 | 30. Juni 2025 | tf-2-12-cu113-VERSION_DATE-py310 |
2.11 (Python 3.10) | 2.11.0 | Nur CPU | 15. Nov. 2022 | 15. Nov. 2023 | tf-2-11-cpu-VERSION_DATE-py310 |
2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15. Nov. 2022 | 15. Nov. 2023 | tf-2-11-cu113-VERSION_DATE-py310 |
2.11 | 2.11.0 | Nur CPU | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-11-cpu-VERSION_DATE-py37 |
2.11 | 2.11.0 | GPU (CUDA 11.3) | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-11-cu113-VERSION_DATE-py37 |
2.10 | 2.10.1 | Nur CPU | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-10-cpu-VERSION_DATE-py37 |
2.10 | 2.10.1 | GPU (CUDA 11.3) | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-10-cu113-VERSION_DATE-py37 |
2,9 | 2.9.3 | Nur CPU | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-9-cpu-VERSION_DATE-py37 |
2,9 | 2.9.3 | GPU (CUDA 11.3) | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-9-cu113-VERSION_DATE-py37 |
2,8 | 2.8.4 | Nur CPU | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-8-cpu-VERSION_DATE-py37 |
2,8 | 2.8.4 | GPU (CUDA 11.3) | 15. Nov. 2023 | 15. Nov. 2024 | tf-2-8-cu113-VERSION_DATE-py37 |
2.6 (py39) | 2.6.5 | Nur CPU | 1. Sept. 2023 | 1. Sept. 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1. Sept. 2023 | 1. Sept. 2024 | tf-2-6-cu110-VERSION_DATE-py39 |
2.6 (py37) | 2.6.5 | Nur CPU | 1. Sept. 2023 | 1. Sept. 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
2.6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 1. Sept. 2023 | 1. Sept. 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
2,3 | 2.3.4 | Nur CPU | 1. Sept. 2023 | 1. Sept. 2024 | tf-2-3-cpu |
2,3 | 2.3.4 | GPU (CUDA 11.3) | 1. Sept. 2023 | 1. Sept. 2024 | tf-2-3-cu110-VERSION_DATE |
PyTorch-Versionen
ML-Framework-Version | Aktuelle Patchversion | Unterstützte Beschleuniger | Ende des Patch- und Supportdatums | Enddatum der Verfügbarkeit | Image-Familienname |
---|---|---|---|---|---|
2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30. Jan. 2025 | 30. Jan. 2026 | pytorch-2-2-VERSION_DATE-py310 |
2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4. Okt. 2024 | 4. Okt. 2025 | pytorch-2-1-VERSION_DATE-py310 |
2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15. März 2024 | 15. März 2025 | pytorch-2-0-VERSION_DATE-py310 |
1.13 (Python 3.10) | 1.13.1 | CUDA 11.3 | 8. Dez. 2023 | 8. Dez. 2024 | pytorch-1-13-VERSION_DATE-py310 |
1.13 | 1.13.1 | CUDA 11.3 | 8. Dez. 2023 | 8. Dez. 2024 | pytorch-1-13-VERSION_DATE-py37 |
1.12 | 1.12.1 | CUDA 11.3 | 1. Sept. 2023 | 1. Sept. 2024 | pytorch-1-12-VERSION_DATE-py310 |
Alle verfügbaren Versionen mit der gcloud CLI auflisten
Sie können auch alle verfügbaren Deep Learning-VM-Images auflisten. Verwenden Sie dazu den Befehl folgenden gcloud CLI-Befehl:
gcloud compute images list \ --project deeplearning-platform-release \ --format="value(NAME)" \ --no-standard-images
Imagefamilien sind nach dem Format FRAMEWORK-VERSION-CUDA_VERSION(-experimental)
benannt, wobei FRAMEWORK
die Zielbibliothek, VERSION
die Framework-Version und CUDA_VERSION
die Version des CUDA-Stacks ist, falls vorhanden.
Beispiel: Ein Image aus der Familie
tf-ent-2-13-cu113
hat
TensorFlow Enterprise 2.13 und CUDA 11.3.
Nächste Schritte
Erstellen einer neuen Deep Learning-VM-Instanz über den Cloud Marketplace oder über die Befehlszeile.