Sélectionner une image

Nous proposons des images Deep Learning VM Image spécifiques adaptées à un grand nombre de framework et de processeur. Il existe actuellement des images compatibles avec TensorFlow, PyTorch et le calcul hautes performances générique, dans des versions pour les workflows reposant uniquement sur le processeur ou utilisant des GPU. Pour trouver l'image de votre choix, consultez le tableau ci-dessous.

Choisir une famille d'images

Choisissez une famille d'images Deep Learning VM en fonction du framework et du processeur dont vous avez besoin. Le tableau suivant répertorie les versions les plus récentes des familles d'images, organisées par type de structure. Pour obtenir la version la plus récente d'une image, créez une instance en référençant une famille d'images dont le nom contient latest. Si vous avez besoin d'une version de framework spécifique, passez à la section Versions de framework compatibles.

Framework Processeur Nom des familles d'images
Base GPU common-cu113
common-cu110
CPU common-cpu
TensorFlow Enterprise GPU tf-ent-latest-gpu
Processeur tf-ent-latest-cpu
PyTorch GPU pytorch-latest-gpu
CPU pytorch-latest-cpu

Choisir un système d'exploitation

Pour la plupart des frameworks, Debian 11 est le système d’exploitation par défaut. Les images Ubuntu 20.04 sont disponibles pour certains frameworks. Elles sont désignées par les suffixes -ubuntu-2004 dans le nom de la famille d'images (consultez la section Répertorier toutes les versions disponibles). Les images Debian 10 et Debian 9 sont obsolètes.

Les familles d'images PyTorch et TensorFlow Enterprise sont compatibles avec les accélérateurs de GPU A100.

Dépendances incluses

Les listes des dépendances Python incluses dans chaque version sont disponibles sur Cloud Storage à l'adresse

 gs://deeplearning-platform-release/installed-dependencies/images/RELEASE_MILESTONE

Remplacez RELEASE_MILESTONE par l'étape de publication, telle que m88. Par exemple, les listes de la version M88 sont disponibles à l'adresse gs://deeplearning-platform-release/installed-dependencies/images/m88/.

Images TensorFlow Enterprise

Les familles d'images TensorFlow Enterprise proposent une distribution optimisée de TensorFlow pour Google Cloud. Pour en savoir plus sur TensorFlow Enterprise, y compris sur les versions compatibles, consultez la Présentation de TensorFlow Enterprise.

Images expérimentales

Certaines familles d'images Deep Learning VM sont expérimentales, comme indiqué par le tableau des familles d'images. Les images expérimentales sont prises en charge suivant un principe d'optimisation et peuvent ne pas être actualisées à chaque nouvelle release du framework.

Spécifier une version d'image

Vous pouvez réutiliser la même image même si la dernière image est plus récente. Cela peut être utile, par exemple, si vous essayez de créer un cluster et que vous voulez vous assurer que les images utilisées pour créer des instances sont toujours les mêmes. Dans ce cas, vous ne devez pas utiliser le nom de la famille d'images. En effet, si la dernière image est mise à jour, vous aurez des images différentes sur certaines instances de votre cluster.

À la place, vous pouvez déterminer le nom exact de l'image, inclure le numéro de version, puis utiliser cette image spécifique pour générer de nouvelles instances dans votre cluster.

Pour connaître le nom exact de la dernière image, exécutez la commande suivante dans Google Cloud CLI avec un terminal de votre choix ou dans Cloud Shell. Remplacez IMAGE_FAMILY par le nom de la famille d'images dont vous souhaitez connaître le dernier numéro de version.

gcloud compute images describe-from-family IMAGE_FAMILY \
        --project deeplearning-platform-release

Recherchez le champ name dans le résultat et utilisez le nom d'image qui y est indiqué lorsque vous créez des instances.

Versions de framework compatibles

Deep Learning VM est compatible avec chaque version du framework selon un calendrier visant à minimiser les failles de sécurité. Consultez la politique de compatibilité du framework Deep Learning VM pour comprendre les implications des dates de fin d'assistance et de disponibilité.

Si vous avez besoin d'une version CUDA ou de framework spécifique, consultez les tableaux suivants. Pour trouver un VERSION_DATE spécifique pour une image, consultez la section Répertorier les versions disponibles.

Versions de base

Version du framework de ML Version de correctif actuelle Accélérateurs compatibles Date de fin de correctif et de fin de compatibilité Date de fin de disponibilité Nom de la famille d'images
Processeur de base (Python 3.10 / Debian 11) Non applicable (N/A) CPU uniquement 1er juillet 2024 1er juillet 2025 common-cpu-VERSION_DATE-debian-11
Base-cu121 (Python 3.10) CUDA 12.1 GPU (CUDA 12.1) 28 févr. 2024 28 févr. 2025 common-cu121-VERSION_DATE-debian-11-py310
Base-cu118 (Python 3.10) CUDA 11.8 GPU (CUDA 11.8) >1er juil. 2024 >1er juil. 2025 common-cu118-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.10) CUDA 11.3 GPU (CUDA 11.3) 1er janvier 2024 1er janvier 2025 common-cu113-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.7) CUDA 11.3 GPU (CUDA 11.3) 1er septembre 2023 1er septembre 2024 common-cu113-VERSION_DATE-py37
Base-cu110 (Python 3.7) CUDA 11.0 GPU (CUDA 11.0) 1er septembre 2023 1er septembre 2024 common-cu110-VERSION_DATE-py37
Processeur de base (Python 3.7) Non applicable (N/A) CPU uniquement 1er septembre 2023 1er septembre 2024 common-cpu-VERSION_DATE-debian-10

Versions de TensorFlow

Version du framework de ML Version de correctif actuelle Accélérateurs compatibles Date de fin de correctif et de fin de compatibilité Date de fin de disponibilité Nom de la famille d'images
2.15 (Python 3.10) 2.15.0 CPU uniquement 14 nov. 2024 14 nov. 2025 tf-2-15-cpu-VERSION_DATE-py310
2.15 (Python 3.10) 2.15.0 GPU (CUDA 12.1) 14 nov. 2024 14 nov. 2025 tf-2-15-cu121-VERSION_DATE-py310
2.14 (Python 3.10) 2.14.0 CPU uniquement 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 CPU uniquement 5 juil. 2024 5 juil. 2025 tf-2-13-cpu-VERSION_DATE-py310
2.13 (Python 3.10) 2.13.0 GPU (CUDA 11.8) 5 juil. 2024 5 juil. 2025 tf-2-13-cu118-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 CPU uniquement 30 juin 2024 30 juin 2025 tf-2-12-cpu-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 GPU (CUDA 11.8) 30 juin 2024 30 juin 2025 tf-2-12-cu113-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 CPU uniquement 15 nov. 2022 15 novembre 2023 tf-2-11-cpu-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 GPU (CUDA 11.3) 15 nov. 2022 15 novembre 2023 tf-2-11-cu113-VERSION_DATE-py310
2.11 2.11.0 CPU uniquement 15 novembre 2023 15 novembre 2024 tf-2-11-cpu-VERSION_DATE-py37
2.11 2.11.0 GPU (CUDA 11.3) 15 novembre 2023 15 novembre 2024 tf-2-11-cu113-VERSION_DATE-py37
2.10 2.10.1 CPU uniquement 15 novembre 2023 15 novembre 2024 tf-2-10-cpu-VERSION_DATE-py37
2.10 2.10.1 GPU (CUDA 11.3) 15 novembre 2023 15 novembre 2024 tf-2-10-cu113-VERSION_DATE-py37
2.9 2.9.3 CPU uniquement 15 novembre 2023 15 novembre 2024 tf-2-9-cpu-VERSION_DATE-py37
2.9 2.9.3 GPU (CUDA 11.3) 15 novembre 2023 15 novembre 2024 tf-2-9-cu113-VERSION_DATE-py37
2,8 2.8.4 CPU uniquement 15 novembre 2023 15 novembre 2024 tf-2-8-cpu-VERSION_DATE-py37
2,8 2.8.4 GPU (CUDA 11.3) 15 novembre 2023 15 novembre 2024 tf-2-8-cu113-VERSION_DATE-py37
2.6 (py39) 2.6.5 CPU uniquement 10 août 2024 10 août 2025 tf-2-6-cpu-VERSION_DATE-py39
2.6 (py39) 2.6.5 GPU (CUDA 11.3) 10 août 2024 10 août 2025 tf-2-6-cu110-VERSION_DATE-py39
2.6 (py37) 2.6.5 CPU uniquement 1er septembre 2023 1er septembre 2024 tf-2-6-cpu-VERSION_DATE-py37
2.6 (py37) 2.6.5 GPU (CUDA 11.3) 1er septembre 2023 1er septembre 2024 tf-2-6-cu110-VERSION_DATE-py37
2.3 2.3.4 CPU uniquement 1er septembre 2023 1er septembre 2024 tf-2-3-cpu
2.3 2.3.4 GPU (CUDA 11.3) 1er septembre 2023 1er septembre 2024 tf-2-3-cu110-VERSION_DATE

Versions de PyTorch

Version du framework de ML Version de correctif actuelle Accélérateurs compatibles Date de fin de correctif et de fin de compatibilité Date de fin de disponibilité Nom de la famille d'images
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 oct. 2024 4 oct. 2025 pytorch-2-1-VERSION_DATE-py310
2.0 (Python 3.10) 2.0.0 CUDA 11.8 15 mars 2024 15 mars 2025 pytorch-2-0-VERSION_DATE-py310
1.13 (Python 3.10) 1.13.1 CUDA 11.3 8 décembre 2023 8 décembre 2024 pytorch-1-13-VERSION_DATE-py310
1.13 1.13.1 CUDA 11.3 8 décembre 2023 8 décembre 2024 pytorch-1-13-VERSION_DATE-py37
1.12 1.12.1 CUDA 11.3 1er septembre 2023 1er septembre 2024 pytorch-1-12-VERSION_DATE-py310

Répertorier toutes les versions disponibles à l'aide de gcloud CLI

Vous pouvez également répertorier toutes les images Deep Learning VM disponibles à l'aide de la commande gcloud CLI suivante:

gcloud compute images list \
    --project deeplearning-platform-release \
    --format="value(NAME)" \
    --no-standard-images

Les familles d'images sont au format FRAMEWORK-VERSION-CUDA_VERSION(-experimental), où FRAMEWORK est la bibliothèque cible, VERSION est la version du framework et CUDA_VERSION est la version de la pile CUDA, le cas échéant.

Par exemple, une image de la famille tf-ent-2-13-cu113 contient TensorFlow Enterprise 2.13 et CUDA 11.3.

Étapes suivantes

Créez une instance Deep Learning VM à l'aide de Cloud Marketplace ou de la ligne de commande.