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
Wählen Sie eine Deep Learning-VM-Imagefamilie basierend auf dem benötigten Framework und Prozessor aus.
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. Dazu verweisen Sie auf eine Image-Familie mit latest im Namen.
Wenn Sie eine bestimmte Framework-Version benötigen, fahren Sie mit Unterstützte Framework-Versionen fort.
| Framework | Prozessor | Image-Familienname(n) |
|---|---|---|
| Basis | GPU | common-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 |
Betriebssystem auswählen
Bei den meisten Frameworks ist Debian 11 das Standardbetriebssystem. Ubuntu 20.04-Images sind für einige Frameworks verfügbar.
Sie sind durch die Suffixe -ubuntu-2004 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 für Google Cloud optimierte Distribution von TensorFlow. Weitere Informationen zu TensorFlow Enterprise und unterstützten Versionen finden Sie in der Übersicht zu TensorFlow Enterprise.
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 nach einem Zeitplan zur Minimierung von Sicherheitslücken. Lesen Sie die Supportrichtlinie für Deep Learning VM Framework, um die Auswirkungen des End-of-Support- und des End-of-Availability-Datums zu verstehen.
Wenn Sie ein bestimmtes Framework oder eine bestimmte CUDA-Version benötigen, sehen Sie sich die folgenden Tabellen an. Informationen zum Ermitteln einer bestimmten VERSION_DATE für ein Image finden Sie unter Verfügbare Versionen auflisten.
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-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28. Februar 2024 | 28. Februar 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 12.1) | 14. Nov. 2024 | 14. Nov. 2025 | tf-2-15-cu121-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | Nur CPU | 26. September 2024 | 26. September 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26. September 2024 | 26. September 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 | 10. Aug. 2024 | 10. Aug. 2025 | tf-2-6-cpu-VERSION_DATE-py39 |
| 2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 10. Aug. 2024 | 10. Aug. 2025 | 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. Januar 2025 | 30. Januar 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 mit dem folgenden gcloud CLI-Befehl auflisten:
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.
Ein Image aus der Familie tf-ent-2-13-cu113 verwendet beispielsweise 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.