この古いバージョンの AI Platform Prediction は非推奨になりました。2025 年 1 月 31 日を過ぎると Google Cloud で使用できなくなります。2025 年 1 月 31 日以降、すべてのモデル、関連するメタデータ、デプロイが削除されます。リソースを Vertex AI に移行することで、AI Platform にはない新しい機械学習機能を利用できます。

オンライン予測用のマシンタイプの選択

AI Platform Prediction はノードを割り当てて、モデルバージョンに送信されるオンライン予測リクエストを処理します。モデルバージョンをデプロイする際に、AI Platform Prediction がノードに使用する仮想マシンのタイプをカスタマイズできます。

マシンタイプによって、次の点が異なります。

ノードあたりの仮想 CPU（vCPU）の数
ノードあたりのメモリの量
GPU のサポート（一部のマシンタイプに追加可能）
特定の AI Platform Prediction 機能のサポート
料金
サービスレベル契約（SLA）の適用範囲

コンピューティングリソースの多いマシンタイプを選択すると、予測を処理する際のレイテンシの短縮や、同時に処理される予測リクエスト数の増加につながります。

使用可能なマシンタイプ

Compute Engine（N1）マシンタイプと mls1-c1-m2 マシンタイプは、オンライン予測用に一般提供されています。mls1-c4-m2 マシンタイプはベータ版で使用できます。

次の表は、使用可能なマシンタイプを比較したものです。

名前	提供状況	vCPUs	メモリ（GB）	GPU のサポート	ML フレームワークのサポート	モデルの最大サイズ
`mls1-c1-m2`（グローバルエンドポイントのデフォルト）	一般提供	1	2	×	TensorFlow、XGBoost、scikit-learn（カスタムコードを使用するパイプラインを含む）、カスタム予測ルーチン	500 MB
`mls1-c4-m2`	ベータ版	4	2	×	TensorFlow、XGBoost、scikit-learn（カスタムコードを使用するパイプラインを含む）、カスタム予測ルーチン	500 MB
`n1-standard-2`（リージョンエンドポイントのデフォルト）	一般提供	2	7.5	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-standard-4`	一般提供	4	15	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-standard-8`	一般提供	8	30	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-standard-16`	一般提供	16	60	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-standard-32`	一般提供	32	120	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highmem-2`	一般提供	2	13	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highmem-4`	一般提供	4	26	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highmem-8`	一般提供	8	52	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highmem-16`	一般提供	16	104	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highmem-32`	一般提供	32	208	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highcpu-2`	一般提供	2	1.8	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highcpu-4`	一般提供	4	3.6	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highcpu-8`	一般提供	8	7.2	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highcpu-16`	一般提供	16	14.4	○	TensorFlow、XGBoost、scikit-learn	10 GB
`n1-highcpu-32`	一般提供	32	28.8	○	TensorFlow、XGBoost、scikit-learn	10 GB

マシンタイプごとの料金をご覧ください。Compute Engine（N1）マシンタイプの仕様の詳細については、Compute Engine のドキュメントをご覧ください。

マシンタイプの指定

モデルバージョンを作成する際に、マシンタイプを指定できます。マシンタイプの指定がなければ、モデルバージョンはデフォルトで、リージョンエンドポイントを使用する場合は n1-standard-2、グローバルエンドポイントを使用する場合は mls1-c1-m2 になります。

次の手順で、モデルバージョンの作成時にマシンタイプを指定する方法を説明します。手順では例として n1-standard-4 マシンタイプを使用します。モデルバージョンを作成するプロセス全体については、モデルのデプロイガイドをご覧ください。

Google Cloud コンソール

[バージョンの作成] ページで [マシンタイプ] プルダウンリストを開き、[標準] > [n1-standard-4] を選択します。

gcloud

Cloud Storage にモデルアーティファクトをアップロードしてモデルリソースを作成すると、n1-standard-4 マシンタイプを使用するモデルバージョンを作成できます。

gcloud ai-platform versions create VERSION_NAME \
  --model MODEL_NAME \
  --origin gs://model-directory-uri \
  --runtime-version 2.11 \
  --python-version 3.7 \
  --framework ML_FRAMEWORK_NAME \
  --region us-central1 \
  --machine-type n1-standard-4

Python

この例では、Python 用 Google API クライアントライブラリを使用します。次のサンプルコードを実行する前に、認証を設定する必要があります。

認証の設定方法

認証を設定するには、サービスアカウントキーを作成し、そのサービスアカウントキーへのファイルパスの環境変数を設定する必要があります。

サービスアカウントを作成します。
1. Google Cloud コンソールで [サービスアカウントの作成] ページに移動します。
  
  [サービスアカウントの作成] に移動
2. [サービスアカウント名] フィールドに名前を入力します。
3. 省略可: [サービスアカウントの説明] フィールドに説明を入力します。
4. [作成] をクリックします。
5. [ロールを選択] フィールドをクリックします。[すべてのロール] で、[AI Platform] > [AI Platform 管理者] の順に選択します。
6. [別の役割を追加] をクリックします。
7. [ロールを選択] フィールドをクリックします。[すべてのロール] で、[Cloud Storage] > [ストレージオブジェクト管理者] を選択します。
  
  注: 選択したロールにより、サービスアカウントがリソースにアクセスできるようになります。これらのロールは、Google Cloud コンソールを使用して表示、変更できます。本番環境アプリを開発している場合は、AI Platform 管理者やストレージオブジェクト管理者よりも権限が少ないロールの指定をおすすめします。詳しくは、AI Platform Prediction のアクセス制御をご覧ください。
8. [完了] をクリックして、サービスアカウントを作成します。
  
  ブラウザウィンドウは閉じないでください。次のステップでこれを使用します。
認証に使用するサービスアカウントキーを作成します。
1. Google Cloud コンソールで、作成したサービスアカウントのメールアドレスをクリックします。
2. [キー] をクリックします。
3. [鍵を追加]、[新しい鍵を作成] の順にクリックします。
4. [作成] をクリックします。JSON キーファイルがパソコンにダウンロードされます。
5. [閉じる] をクリックします。
環境変数 GOOGLE_APPLICATION_CREDENTIALS をサービスアカウントキーが格納された JSON ファイルのファイルパスに設定します。この変数は現在の shell セッションにのみ適用されるため、新しいセッションを開く場合は、変数を再度設定します。
例: Linux または macOS

[PATH] は、サービスアカウントキーが含まれる JSON ファイルのファイルパスに置き換えます。
```
export GOOGLE_APPLICATION_CREDENTIALS="[PATH]"
```
次に例を示します。
```
export GOOGLE_APPLICATION_CREDENTIALS="/home/user/Downloads/service-account-file.json"
```
例: Windows

[PATH] はサービスアカウントキーが格納されている JSON ファイルのパスに置き換え、[FILE_NAME] はファイル名に置き換えます。

PowerShell を使用する場合:
```
$env:GOOGLE_APPLICATION_CREDENTIALS="[PATH]"
```
次に例を示します。
```
$env:GOOGLE_APPLICATION_CREDENTIALS="C:\Users\username\Downloads\[FILE_NAME].json"
```
コマンドプロンプトを使用する場合:
```
set GOOGLE_APPLICATION_CREDENTIALS=[PATH]
```

Cloud Storage にモデルアーティファクトをアップロードしてモデルリソースを作成した後、モデルの projects.models.versions.create メソッドに、本文に machineType フィールドを指定したリクエストを送信します。

from google.api_core.client_options import ClientOptions
from googleapiclient import discovery

endpoint = 'https://us-central1-ml.googleapis.com'
client_options = ClientOptions(api_endpoint=endpoint)
ml = discovery.build('ml', 'v1', client_options=client_options)

request_dict = {
    'name': 'VERSION_NAME',
    'deploymentUri': 'gs://model-directory-uri',
    'runtimeVersion': '2.11',
    'pythonVersion': '3.7',
    'framework': 'ML_FRAMEWORK_NAME',
    'machineType': 'n1-standard-4'
}
request = ml.projects().models().versions().create(
    parent='projects/PROJECT_NAME/models/MODEL_NAME',
    body=request_dict
)
response = request.execute()

オンライン予測に GPU を使用する

一部の構成では、必要に応じて GPU を追加して各予測ノードを加速させることができます。GPU を使用するには、いくつかの要件を考慮する必要があります。

GPU は Compute Engine（N1）マシンタイプでのみ使用できます。レガシー（MLS1）マシンタイプは GPU をサポートしていません。
GPU は、TensorFlow SavedModel をデプロイするときにのみ使用できます。scikit-learn モデル、XGBoost モデルには GPU を使用できません。
GPU の各タイプの可用性は、モデルで使用するリージョンによって異なります。どのタイプの GPU がどのリージョンで使用可能かを確認してください。
1 つのモデルバージョンで使用できる GPU タイプは 1 つだけです。また、使用するマシンタイプに応じて、追加できる GPU の数が制限されます。次の表では、これらの制限について示しています。

次の表に、オンライン予測に使用できる GPU と、各 Compute Engine マシンタイプで使用できるタイプ別 GPU の最大数を記載します。

各マシンタイプに有効な GPU の数
マシンタイプ	NVIDIA Tesla K80	NVIDIA Tesla P4	NVIDIA Tesla P100	NVIDIA Tesla T4	NVIDIA Tesla V100
`n1-standard-2`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-standard-4`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-standard-8`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-standard-16`	2、4、8	1、2、4	1、2、4	1、2、4	2、4、8
`n1-standard-32`	4、8	2、4	2、4	2、4	4、8
`n1-highmem-2`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-highmem-4`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-highmem-8`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-highmem-16`	2、4、8	1、2、4	1、2、4	1、2、4	2、4、8
`n1-highmem-32`	4、8	2、4	2、4	2、4	4、8
`n1-highcpu-2`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-highcpu-4`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-highcpu-8`	1、2、4、8	1、2、4	1、2、4	1、2、4	1、2、4、8
`n1-highcpu-16`	2、4、8	1、2、4	1、2、4	1、2、4	2、4、8
`n1-highcpu-32`	4、8	2、4	2、4	2、4	4、8

GPU はオプションであり、追加費用が発生します。

GPU の指定

GPU はモデルバージョンの作成時に指定します。AI Platform Prediction は、予測ノードごとに指定された数とタイプの GPU を割り当てます。予測ノードは自動スケーリング（プレビュー）または手動でスケーリング（一般提供）することが可能ですが、各ノードが使用する GPU の数はモデルバージョンを作成する際に固定されます。高度なユースケースがない限り、予測ノードごとに 1 つの GPU を構成する（アクセラレータの数を 1 に設定する）ことをおすすめします。

次の手順では、常に 2 つ以上の予測ノードで実行されるモデルバージョンを作成して、オンライン予測の GPU を指定する方法を説明します。各ノードは、n1-standard-4 マシンタイプと、1 つの NVIDIA Tesla T4 GPU を使用します。

この例では、すてに TensorFlow SavedModel を Cloud Storage にアップロードして、GPU をサポートするリージョン内にモデルリソースを作成していることを前提としています。

Google Cloud コンソール

ガイドに沿ってモデルバージョンを作成します。[バージョンの作成] ページで、次のオプションを指定します。

[スケーリング] プルダウンリストで、[手動スケーリング] を選択します。
[ノードの最小数] フィールドに「2」と入力します。
[マシンタイプ] プルダウンリストで、[標準] > [n1-standard-4] を選択します。
[アクセラレータタイプ] プルダウンリストで、[NVIDIA_TESLA_T4] を選択します。
[アクセラレータ数] プルダウンリストで、[1] を選択します。

gcloud

gcloud CLI を使用してモデルバージョンを作成します。この例では、バージョンがそれぞれ 1 つの NVIDIA Tesla T4 GPU を使用する n1-standard-4 予測ノードで実行されます。AI Platform Prediction は、任意の時点での GPU の使用状況に応じて、予測ノードの数を 2～4 の範囲に自動的スケーリングします。この例では、us-central1 リージョンエンドポイントを使用しています。

gcloud beta ai-platform versions create VERSION_NAME \
  --model MODEL_NAME \
  --origin gs://model-directory-uri \
  --runtime-version 2.11 \
  --python-version 3.7 \
  --framework tensorflow \
  --region us-central1 \
  --machine-type n1-standard-4 \
  --accelerator count=1,type=nvidia-tesla-t4 \
  --min-nodes 2 \
  --max-nodes 4 \
  --metric-targets gpu-duty-cycle=60

アクセラレータ名は小文字の単語をハイフンでつなげた形式で指定します。

Python

この例では、Python 用 Google API クライアントライブラリを使用します。次のサンプルコードを実行する前に、認証を設定する必要があります。

認証の設定方法

認証を設定するには、サービスアカウントキーを作成し、そのサービスアカウントキーへのファイルパスの環境変数を設定する必要があります。

サービスアカウントを作成します。
1. Google Cloud コンソールで [サービスアカウントの作成] ページに移動します。
  
  [サービスアカウントの作成] に移動
2. [サービスアカウント名] フィールドに名前を入力します。
3. 省略可: [サービスアカウントの説明] フィールドに説明を入力します。
4. [作成] をクリックします。
5. [ロールを選択] フィールドをクリックします。[すべてのロール] で、[AI Platform] > [AI Platform 管理者] の順に選択します。
6. [別の役割を追加] をクリックします。
7. [ロールを選択] フィールドをクリックします。[すべてのロール] で、[Cloud Storage] > [ストレージオブジェクト管理者] を選択します。
  
  注: 選択したロールにより、サービスアカウントがリソースにアクセスできるようになります。これらのロールは、Google Cloud コンソールを使用して表示、変更できます。本番環境アプリを開発している場合は、AI Platform 管理者やストレージオブジェクト管理者よりも権限が少ないロールの指定をおすすめします。詳しくは、AI Platform Prediction のアクセス制御をご覧ください。
8. [完了] をクリックして、サービスアカウントを作成します。
  
  ブラウザウィンドウは閉じないでください。次のステップでこれを使用します。
認証に使用するサービスアカウントキーを作成します。
1. Google Cloud コンソールで、作成したサービスアカウントのメールアドレスをクリックします。
2. [キー] をクリックします。
3. [鍵を追加]、[新しい鍵を作成] の順にクリックします。
4. [作成] をクリックします。JSON キーファイルがパソコンにダウンロードされます。
5. [閉じる] をクリックします。
環境変数 GOOGLE_APPLICATION_CREDENTIALS をサービスアカウントキーが格納された JSON ファイルのファイルパスに設定します。この変数は現在の shell セッションにのみ適用されるため、新しいセッションを開く場合は、変数を再度設定します。
例: Linux または macOS

[PATH] は、サービスアカウントキーが含まれる JSON ファイルのファイルパスに置き換えます。
```
export GOOGLE_APPLICATION_CREDENTIALS="[PATH]"
```
次に例を示します。
```
export GOOGLE_APPLICATION_CREDENTIALS="/home/user/Downloads/service-account-file.json"
```
例: Windows

[PATH] はサービスアカウントキーが格納されている JSON ファイルのパスに置き換え、[FILE_NAME] はファイル名に置き換えます。

PowerShell を使用する場合:
```
$env:GOOGLE_APPLICATION_CREDENTIALS="[PATH]"
```
次に例を示します。
```
$env:GOOGLE_APPLICATION_CREDENTIALS="C:\Users\username\Downloads\[FILE_NAME].json"
```
コマンドプロンプトを使用する場合:
```
set GOOGLE_APPLICATION_CREDENTIALS=[PATH]
```

この例では、us-central1 リージョンエンドポイントを使用しています。

リクエストをモデルの projects.models.versions.create メソッドに送信して、machineType、acceleratorConfig、manualScaling フィールドをリクエスト本文に指定します。

from google.api_core.client_options import ClientOptions
from googleapiclient import discovery

endpoint = 'https://us-central1-ml.googleapis.com'
client_options = ClientOptions(api_endpoint=endpoint)
ml = discovery.build('ml', 'v1', client_options=client_options)

request_dict = {
    'name': 'VERSION_NAME',
    'deploymentUri': 'gs://model-directory-uri',
    'runtimeVersion': '2.11',
    'pythonVersion': '3.7',
    'framework': 'TENSORFLOW',
    'machineType': 'n1-standard-4',
    'acceleratorConfig': {
      'count': 1,
      'type': 'NVIDIA_TESLA_T4'
    },
    'autoScaling': {
      'minNodes': 2,
      'maxNodes': 4,
      'metrics': [
        {
          'name': 'GPU_DUTY_CYCLE',
          'target': 60
        }
      ]
    }
}
request = ml.projects().models().versions().create(
    parent='projects/PROJECT_NAME/models/MODEL_NAME',
    body=request_dict
)
response = request.execute()

アクセラレータ名は大文字の単語をアンダースコアでつなげた形式で指定します。

マシンタイプ間の違い

マシンタイプによって、異なる量のコンピューティングリソースが提供されるだけでなく、特定の AI Platform Prediction 機能のサポート状況も異なります。次の表に、Compute Engine（N1）マシンタイプとレガシー（MLS1）マシンタイプの違いの概要を記載します。

	Compute Engine（N1）マシンタイプ	レガシー（MLS1）マシンタイプ
地域	すべてのリージョンエンドポイントリージョン	すべてのグローバルエンドポイントリージョン
ML アーティファクトのタイプ	TensorFlow SavedModels XGBoost アーティファクト scikit-learn アーティファクト（カスタムコードを使用するパイプラインを除く）	TensorFlow SavedModels XGBoost アーティファクト scikit-learn アーティファクト（カスタムコードを使用するパイプラインを含む）カスタム予測ルーチン
ランタイムバージョン	1.11 以降	使用可能なすべての AI Platform ランタイムバージョン
カスタムコンテナのサポート	○	×
モデルの最大サイズ	10 GB	500 MB
自動スケーリング	最小ノード数 = 1	最小ノード数 = 0
手動スケーリング	ノード数の更新が可能	モデルバージョンの作成後のノード数の更新は不可能
GPU のサポート	○（TensorFlow のみ）	×
AI Explanations のサポート	○（TensorFlow のみ）	×
VPC Service Controls のサポート	○	×
一般提供されているマシンタイプに対する SLA の適用	○（該当する場合）	○

以降のセクションで、マシンタイプの違いについて詳しく説明します。

ご利用いただけるリージョン

Compute Engine（N1）マシンタイプは、モデルをリージョンエンドポイントにデプロイするときに使用できます。Compute Engine（N1）マシンタイプを使用する場合、グローバルエンドポイントにモデルをデプロイすることはできません。

Compute Engine（N1）マシンタイプを使用するモデルバージョンを 2 つ以上の予測ノードにスケールすると、ノードは同じリージョン内の複数のゾーンで実行されます。これにより、いずれかのゾーンでサービスが停止しても、継続的可用性が確保されます。詳細については、このドキュメントのスケーリングセクションをご覧ください。

なお、Compute Engine（N1）マシンタイプの GPU の可用性もリージョンによって異なります。

レガシー（MLS1）マシンタイプは、数多くのリージョンのグローバルエンドポイントで使用できます。レガシー（MLS1）マシンタイプはリージョンエンドポイントでは使用できません。

バッチ予測のサポート

mls1-c1-m2 マシンタイプを使用するモデルバージョンでは、バッチ予測がサポートされています。他のマシンタイプを使用するモデルバージョンでバッチ予測はサポートされません。

ML フレームワークのサポート

Compute Engine（N1）マシンタイプのいずれかを使用する場合は、予測モデルのエクスポートで説明されているすべてのモデルアーティファクトでモデルバージョンを作成できます。

カスタムコードを使用する scikit-learn パイプラインは使用できません。
カスタム予測ルーチンは使用できません。

レガシー（MLS1）マシンタイプの場合、カスタムコードやカスタム予測ルーチンを使用する scikit-learn パイプラインなど、AI Platform Prediction がサポートするあらゆるタイプのモデルアーティファクトを使用できます。

ランタイムバージョンのサポート

Compute Engine（N1）マシンタイプを使用する場合、モデルバージョンにはランタイムバージョン 1.11 以降を使用する必要があります。

レガシー（MLS1）マシンタイプを使用する場合、使用可能な AI Platform ランタイムバージョンをどれでも使用できます。

カスタムコンテナのサポート

カスタムコンテナを使用してオンライン予測を行うには、Compute Engine（N1）マシンタイプを使用する必要があります。

モデルの最大サイズ

レガシー（MLS1）マシンタイプを使用する場合、モデルバージョンの作成時に指定するモデルアーティファクトの合計ファイルサイズは 500 MB 未満でなければなりません。Compute Engine（N1）マシンタイプを使用する場合、合計ファイルサイズは 10 GB まで許容されます。

予測のロギング

Compute Engine（N1）マシンタイプでは、コンソールロギングはプレビュー版です。以前の（MLS1）マシンタイプでは、コンソールロギングは一般提供されています。

予測ノードのスケーリング

Compute Engine（N1）マシンタイプまたはレガシー（MLS1）マシンタイプのどちらを使用するかにより、予測ノードの自動スケーリングと手動スケーリングにはどちらも異なる制約が適用されます。

自動スケーリング

自動スケーリングを有効にした Compute Engine（N1）マシンタイプを使用する場合、モデルバージョンでは常に少なくとも 1 つのノードが実行されている必要があります。つまり、バージョンの autoScaling.minNodes フィールドはデフォルトで 1 に設定され、1 未満の値を指定することはできません。 autoScaling.minNodes を 2 以上に設定すると、予測ノードが同じリージョン内の複数のゾーンで実行されます。これにより、いずれかのゾーンでサービスが停止しても、継続的可用性が確保されます。

なお、機械学習モデルが必要とする以上の vCPU や RAM を割り当てると、自動スケーリングが適切に機能しない場合があります。これにより、モデルのパフォーマンスに問題が生じる可能性があります。モデルにさまざまなマシンタイプを試して、コンピューティングリソースを大量に使用しないようにします。

レガシー（MLS1）マシンタイプを使用する場合、トラフィックを受信していない間はモデルバージョンをゼロノードにまでスケールダウンできます。つまり、autoScaling.minNodes を 0 に設定できます（デフォルトでは 0 に設定されています）。モデルバージョンが予測リクエストを受信していない場合、スケーリングをゼロにすることでコストを削減できます。ただし、ノードがゼロの期間の後、AI Platform Prediction でリクエストを処理するために新しいノードを割り当てる際には、レイテンシやエラーが発生する可能性があります。詳細は、ゼロにスケーリングするをご覧ください。

手動スケーリング

手動スケーリングで Compute Engine（N1）マシンタイプを使用する場合、いつでも projects.models.versions.patch API メソッドを使用して、実行される予測ノードの数を更新できます。manualScaling.nodes フィールドを 2 以上に設定すると、予測ノードは同じリージョン内の複数のゾーンで実行されます。これにより、いずれかのゾーンでサービスが停止しても、継続的可用性が確保されます。

手動スケーリングでレガシー（MLS1）マシンタイプを使用する場合、モデルバージョンの作成後に予測ノードの数を更新することはできません。ノードの数を変更するには、バージョンを削除してから新しく作成する必要があります。

VPC Service Controls のサポート

VPC Service Controls を使用して AI Platform Prediction を保護する場合、以前の（MLS1）マシンタイプを使用するバージョンは作成できません。Compute Engine（N1）マシンタイプを使用する必要があります。

オンライン予測用のマシンタイプの選択

使用可能なマシンタイプ

マシンタイプの指定

Google Cloud コンソール

gcloud

Python

オンライン予測に GPU を使用する

GPU の指定

Google Cloud コンソール

gcloud

Python

マシンタイプ間の違い

ご利用いただけるリージョン

バッチ予測のサポート

ML フレームワークのサポート

ランタイム バージョンのサポート

カスタム コンテナのサポート

モデルの最大サイズ

予測のロギング

予測ノードのスケーリング

自動スケーリング

手動スケーリング

VPC Service Controls のサポート

ランタイムバージョンのサポート

カスタムコンテナのサポート