Image auswählen

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 erforderlichen Framework und Prozessor aus. In der folgenden Tabelle sind die neuesten Versionen von Imagefamilien nach dem Framework-Typ geordnet aufgeführt. Wenn Sie die neueste Version eines Images erhalten möchten, erstellen Sie eine Instanz, indem Sie auf eine Image-Familie mit latest im Namen verweisen. Wenn Sie eine bestimmte Framework-Version benötigen, fahren Sie mit Unterstützte Framework-Versionen fort.

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

Für die meisten Frameworks ist Debian 11 das Standardbetriebssystem. Ubuntu 22.04-Images sind 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.

TensorFlow Enterprise-Images

TensorFlow Enterprise-Imagefamilien bieten eine für Google Cloud optimierte Distribution von TensorFlow. Weitere Informationen zu TensorFlow Enterprise, einschließlich der unterstützten Versionen, finden Sie in der 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 basierend auf einem Zeitplan, um Sicherheitslücken zu minimieren. Prüfen Sie die Supportrichtlinie für Deep Learning VM-Framework, um die Auswirkungen des Enddatums des Supports und des Endes der Verfügbarkeit zu verstehen.

Wenn Sie ein bestimmtes Framework oder eine bestimmte CUDA-Version benötigen, finden Sie die entsprechenden Informationen in den folgenden Tabellen. Informationen zum Ermitteln eines 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-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
2.17 (Python 3.10) 2.17.0 Nur CPU 11. Juli 2025 11. Juli 2026 tf-2-17-cpu-VERSION_DATE-py310
2.17 (Python 3.10) 2.17.0 GPU (CUDA 12.3) 11. Juli 2025 11. Juli 2026 tf-2-17-cu123-VERSION_DATE-py310
2.16 (Python 3.10) 2.16.2 Nur CPU 28. Juni 2025 28. Juni 2026 tf-2-16-cpu-VERSION_DATE-py310
2.16 (Python 3.10) 2.16.2 GPU (CUDA 12.3) 28. Juni 2025 28. Juni 2026 tf-2-16-cu123-VERSION_DATE-py310
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. November 2022 15. Nov. 2023 tf-2-11-cpu-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 GPU (CUDA 11.3) 15. November 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
2.3 (Python 3.10) 2.3.0 CUDA 12.1 24. Apr 2025 24. Apr. 2026 pytorch-2-3-VERSION_DATE-py310
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 alle verfügbaren Deep Learning-VM-Images auch mit dem folgenden Befehl der gcloud CLI 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.

So verwendet beispielsweise ein Image aus der Familie tf-ent-2-13-cu113 das Framework 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.