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
Für welche Deep Learning-VM-Imagefamilie Sie sich entscheiden, hängt von Ihren Anforderungen ab. In der folgenden Tabelle sind die neuesten Versionen von Imagefamilien nach dem Framework-Typ geordnet aufgeführt.
Wenn Sie eine Instanz dadurch erstellen, dass Sie auf eine Imagefamilie mit latest im Namen verweisen, achten Sie darauf, dass Sie immer die neueste Version dieses Images erhalten.
Wenn Sie eine bestimmte Framework-Version benötigen, fahren Sie mit Alle verfügbaren Versionen auflisten fort.
| Framework | Prozessor | Imagename(n) |
|---|---|---|
| Basis | GPU | common-cu101common-cu100common-cu92common-cu91common-cu90
|
| CPU | common-cpu |
|
| TensorFlow Enterprise 2.x | GPU | tf2-latest-gpu |
| CPU | tf2-latest-cpu |
|
| TensorFlow Enterprise 1.x | GPU | tf-latest-gpu |
| CPU | tf-latest-cpu |
|
| TensorFlow 2.x | GPU | tf2-2-0-cu100
|
| CPU | tf2-2-0-cpu |
|
| TensorFlow 1.x | GPU | tf-1-14-cu100 |
| CPU | tf-1-14-cpu |
|
| PyTorch | GPU | pytorch-latest-gpu |
| CPU | pytorch-latest-cpu | |
| R | CPU | r-latest-cpu-experimental |
| RAPIDS | GPU | rapids-latest-gpu-experimental |
| Chainer | GPU | chainer-latest-gpu-experimental |
| CPU | chainer-latest-cpu-experimental | |
| XGBoost | GPU | xgboost-latest-gpu-experimental |
| CPU | xgboost-latest-cpu-experimental | |
| MXNet | GPU | mxnet-latest-gpu-experimental |
| CPU | mxnet-latest-cpu-experimental |
|
| CNTK | GPU | cntk-latest-gpu-experimental |
| CPU | cntk-latest-cpu-experimental |
|
| Caffe | GPU | caffe1-latest-gpu-experimental |
| CPU | caffe1-latest-cpu-experimental |
TensorFlow Enterprise-Images
TensorFlow Enterprise-Imagefamilien bieten Ihnen eine für Google Cloud optimierte Distribution von TensorFlow mit langfristiger Versionsunterstützung. Weitere Informationen zu TensorFlow Enterprise finden Sie in der TensorFlow Enterprise-Übersicht.
Experimentelle Images
Einige Deep Learning-VM-Imagefamilien sind experimentell. Sie sind durch das Suffix -experimental gekennzeichnet. Im Gegensatz zu TensorFlow-, PyTorch- und den Basisimages werden sie bestmöglich unterstützt, das heißt, sie 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.
Stellen Sie stattdessen den genauen Namen des Image fest, fügen Sie die Versionsnummer ein und erstellen Sie neue Instanzen im Cluster mit diesem spezifischen Image.
Verwenden Sie den folgenden Befehl im gcloud-Befehlszeilentool mit Ihrem bevorzugten Terminal oder in Cloud Shell, um den genauen Namen des neuesten Images festzustellen. Ersetzen Sie image-family durch den Namen der Imagefamilie, deren aktuelle Versionsnummer Sie feststellen 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.
Alle verfügbaren Versionen auflisten
Wenn Sie ein bestimmtes Framework oder eine bestimmte CUDA-Version benötigen, können Sie in der vollständigen Liste der verfügbaren Images danach suchen. Verwenden Sie den folgenden Befehl des gcloud-Tools, um alle verfügbaren Deep Learning-VM-Images aufzulisten.
gcloud compute images list \
--project deeplearning-platform-release \
--no-standard-images
Imagefamilien haben das Format FRAMEWORK-VERSION-CUDA_VERSION(-experimental), wobei FRAMEWORK die Zielbibliothek, VERSION die Framework-Version und CUDA_VERSION die Version des CUDA-Stacks ist, falls vorhanden.
So verwendet beispielsweise ein Image aus der Familie tf-1-15-cu100 das Framework TensorFlow 1.15 sowie CUDA 10.0 und ein Image aus der Familie pytorch-1-4-cpu verwendet das Framework PyTorch 1.4 und keinen CUDA-Stack.
Vorinstallierte Pakete
Alle Images basieren auf Debian 9 Stretch. Sie umfassen:
- Das aufgelistete Framework (z. B. TensorFlow) und unterstützende Pakete
- CUDA 9.0/9.1/9.2/10.0/10.1 (nur GPU; Version abhängig vom Framework)
- CuDNN 7.* und NCCL 2.3.* (nur GPU; Version abhängig von CUDA)
- Python (2.7 und 3.5) mit den folgenden Paketen:
- numpy
- scipy
- matplotlib
- pandas
- Jupyter Notebook/Lab
- nltk
- Pillow
- scikit-image
- OpenCV-Python
- sklearn