Las imágenes de Deep Learning VM Image específicas están disponibles para adaptarse a tu marco de trabajo y procesador. En la actualidad, existen imágenes que son compatibles con TensorFlow, PyTorch y computación genérica de alto rendimiento, con versiones de flujos de trabajo solo para CPU y flujos de trabajo habilitados para GPU. A fin de buscar la imagen que deseas, consulta la siguiente tabla.
Elige una familia de imágenes
Elige una familia de imágenes de VM de aprendizaje profundo según el marco de trabajo y el procesador que necesites.
En la siguiente tabla, se enumeran las versiones más recientes de familias de imágenes organizadas por tipo de framework.
Para obtener la versión más reciente de una imagen, crea una instancia haciendo referencia a una familia de imágenes con latest en el nombre.
Si necesitas una versión de framework específica, ve a Versiones de framework compatibles.
| Framework | Procesador | Nombres de familia de imágenes |
|---|---|---|
| Base | GPU |
common-cu123common-cu122common-cu121common-cu118common-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 |
Elige un sistema operativo
Para la mayoría de los frameworks, Debian 11 es el SO predeterminado. Las imágenes de Ubuntu 22.04 están disponibles para algunos frameworks.
Se denotan mediante los sufijos -ubuntu-2204 en el nombre de la familia de imágenes (consulta Lista de todas las versiones disponibles).
Las imágenes de Debian 10 y Debian 9 están obsoletas.
Las familias de imágenes de PyTorch y TensorFlow Enterprise admiten los aceleradores de GPU A100.
Imágenes de TensorFlow Enterprise
Las familias de imágenes de TensorFlow Enterprise proporcionan una distribución optimizada de Google Cloud para TensorFlow. Para obtener más información sobre TensorFlow Enterprise, incluidas las versiones compatibles, consulta la Descripción general de TensorFlow Enterprise.
Imágenes experimentales
Algunas familias de Deep Learning VM Image son experimentales, como lo indica la tabla de familias de imágenes. Las imágenes experimentales son compatibles en base al mejor esfuerzo y es posible que no reciban actualizaciones en cada versión nueva del framework.
Especifica una versión de imagen
Puedes reutilizar la misma imagen, incluso si la última imagen es más nueva. Esto puede ser útil, por ejemplo, si intentas crear un clúster y quieres asegurarte de que las imágenes que se usan para crear instancias nuevas sean siempre las mismas. No debes usar el nombre de la familia de imágenes en esta situación porque, si se actualiza la imagen más reciente, tendrás imágenes diferentes en algunas instancias de tu clúster.
En su lugar, puedes determinar cuál es el nombre exacto de la imagen, incorporar el número de la versión y usar esa imagen específica para generar instancias nuevas en tu clúster.
Para averiguar el nombre exacto de la imagen más reciente, usa el siguiente comando en Google Cloud CLI con tu terminal preferida o en Cloud Shell. Reemplaza IMAGE_FAMILY por el nombre de la familia de imágenes de la que deseas conocer el número de versión más reciente.
gcloud compute images describe-from-family IMAGE_FAMILY \
--project deeplearning-platform-releaseBusca el campo name en el resultado y usa el nombre de la imagen que aparece allí cuando crees instancias nuevas.
Versiones de frameworks compatibles
Deep Learning VM admite cada versión de framework según un programa para minimizar las vulnerabilidades de seguridad. Revisa la política de asistencia del framework de VM de Deep Learning para comprender las implicaciones de las fechas de finalización de la asistencia y de finalización de la disponibilidad.
Si necesitas un framework específico o una versión de CUDA, consulta las siguientes tablas. Para buscar un VERSION_DATE específico para una imagen, consulta Enumera las versiones disponibles.
Versiones de base
| Versión del marco de trabajo de AA | Versión actual del parche | Aceleradores compatibles | Fecha de finalización del parche y la compatibilidad | Fecha de finalización de la disponibilidad | Nombre de la familia de imágenes |
|---|---|---|---|---|---|
| CPU base (Python 3.10/Debian 11) | No aplicable (N/A) | Solo CPU | 1 de julio de 2024 | 1 de julio de 2025 | common-cpu-VERSION_DATE-debian-11 |
| Base-cu123 (Python 3.10) | CUDA 12.3 | GPU (CUDA 12.3) | 19 de octubre de 2024 | 19 de octubre de 2025 | common-cu123-VERSION_DATE-debian-11-py310 |
| Base-cu122 (Python 3.10) | CUDA 12.2 | GPU (CUDA 12.2) | 28 de junio de 2024 | 28 de junio de 2025 | common-cu122-VERSION_DATE-debian-11-py310 |
| Base-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28 de febrero de 2024 | 28 de febrero de 2025 | common-cu121-VERSION_DATE-debian-11-py310 |
| Base-cu118 (Python 3.10) | CUDA 11.8 | GPU (CUDA 11.8) | 1 de julio de 2024 | 1 de julio de 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.10) | CUDA 11.3 | GPU (CUDA 11.3) | 1 de enero de 2024 | 1 de enero de 2025 | common-cu113-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.7) | CUDA 11.3 | GPU (CUDA 11.3) | 1 de septiembre de 2023 | 1 de septiembre de 2024 | common-cu113-VERSION_DATE-py37 |
| Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 1 de septiembre de 2023 | 1 de septiembre de 2024 | common-cu110-VERSION_DATE-py37 |
| Base-CPU (Python 3.7) | No aplicable (N/A) | Solo CPU | 1 de septiembre de 2023 | 1 de septiembre de 2024 | common-cpu-VERSION_DATE-debian-10 |
Versiones de TensorFlow
| Versión del marco de trabajo de AA | Versión actual del parche | Aceleradores compatibles | Fecha de finalización del parche y la compatibilidad | Fecha de finalización de la disponibilidad | Nombre de la familia de imágenes |
|---|---|---|---|---|---|
| 2.17 (Python 3.10) | 2.17.0 | Solo CPU | 11 de julio de 2025 | 11 de julio de 2026 | tf-2-17-cpu-VERSION_DATE-py310 |
| 2.17 (Python 3.10) | 2.17.0 | GPU (CUDA 12.3) | 11 de julio de 2025 | 11 de julio de 2026 | tf-2-17-cu123-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | Solo CPU | 28 de junio de 2025 | 28 de junio de 2026 | tf-2-16-cpu-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | GPU (CUDA 12.3) | 28 de junio de 2025 | 28 de junio de 2026 | tf-2-16-cu123-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | Solo CPU | 14 de noviembre de 2024 | 14 de noviembre de 2025 | tf-2-15-cpu-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.2) | 14 de noviembre de 2024 | 14 de noviembre de 2025 | tf-2-15-cu122-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | Solo CPU | 26 de septiembre de 2024 | 26 de septiembre de 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 de septiembre de 2024 | 26 de septiembre de 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | Solo CPU | 5 de julio de 2024 | 5 de julio de 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 de julio de 2024 | 5 de julio de 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | Solo CPU | 30 de junio de 2024 | 30 Junio de 2025 | tf-2-12-cpu-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | GPU (CUDA 11.8) | 30 de junio de 2024 | 30 Junio de 2025 | tf-2-12-cu113-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | Solo CPU | 15 de noviembre de 2022 | 15 de noviembre de 2023 | tf-2-11-cpu-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15 de noviembre de 2022 | 15 de noviembre de 2023 | tf-2-11-cu113-VERSION_DATE-py310 |
| 2.11 | 2.11.0 | Solo CPU | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-11-cpu-VERSION_DATE-py37 |
| 2.11 | 2.11.0 | GPU (CUDA 11.3) | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-11-cu113-VERSION_DATE-py37 |
| 2.10 | 2.10.1 | Solo CPU | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-10-cpu-VERSION_DATE-py37 |
| 2.10 | 2.10.1 | GPU (CUDA 11.3) | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-10-cu113-VERSION_DATE-py37 |
| 2.9 | 2.9.3 | Solo CPU | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-9-cpu-VERSION_DATE-py37 |
| 2.9 | 2.9.3 | GPU (CUDA 11.3) | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-9-cu113-VERSION_DATE-py37 |
| 2.8 | 2.8.4 | Solo CPU | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-8-cpu-VERSION_DATE-py37 |
| 2.8 | 2.8.4 | GPU (CUDA 11.3) | 15 de noviembre de 2023 | 15 de noviembre de 2024 | tf-2-8-cu113-VERSION_DATE-py37 |
| 2.6 (py39) | 2.6.5 | Solo CPU | 1 de septiembre de 2023 | 1 de septiembre de 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
| 2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1 de septiembre de 2023 | 1 de septiembre de 2024 | tf-2-6-cu110-VERSION_DATE-py39 |
| 2.6 (py37) | 2.6.5 | Solo CPU | 1 de septiembre de 2023 | 1 de septiembre de 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
| 2.6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 1 de septiembre de 2023 | 1 de septiembre de 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
| 2.3 | 2.3.4 | Solo CPU | 1 de septiembre de 2023 | 1 de septiembre de 2024 | tf-2-3-cpu |
| 2.3 | 2.3.4 | GPU (CUDA 11.3) | 1 de septiembre de 2023 | 1 de septiembre de 2024 | tf-2-3-cu110-VERSION_DATE |
Versiones de PyTorch
| Versión del marco de trabajo de AA | Versión actual del parche | Aceleradores compatibles | Fecha de finalización del parche y la compatibilidad | Fecha de finalización de la disponibilidad | Nombre de la familia de imágenes |
|---|---|---|---|---|---|
| 2.3 (Python 3.10) | 2.3.0 | CUDA 12.1 | 24 de abril, 2025 | 24 de abril, 2026 | pytorch-2-3-VERSION_DATE-py310 |
| 2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 de enero de 2025 | 30 de enero de 2026 | pytorch-2-2-VERSION_DATE-py310 |
| 2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 de octubre de 2024 | 4 de octubre de 2025 | pytorch-2-1-VERSION_DATE-py310 |
| 2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 de marzo de 2024 | 15 de marzo de 2025 | pytorch-2-0-VERSION_DATE-py310 |
| 1.13 (Python 3.10) | 1.13.1 | CUDA 11.3 | 8 de diciembre de 2023 | 8 de diciembre de 2024 | pytorch-1-13-VERSION_DATE-py310 |
| 1.13 | 1.13.1 | CUDA 11.3 | 8 de diciembre de 2023 | 8 de diciembre de 2024 | pytorch-1-13-VERSION_DATE-py37 |
| 1.12 | 1.12.1 | CUDA 11.3 | 1 de septiembre de 2023 | 1 de septiembre de 2024 | pytorch-1-12-VERSION_DATE-py310 |
Genera una lista de todas las versiones disponibles mediante la CLI de gcloud
También puedes crear una lista de todas las imágenes de VM de aprendizaje profundo disponibles con el siguiente comando de gcloud CLI:
gcloud compute images list \
--project deeplearning-platform-release \
--format="value(NAME)" \
--no-standard-imagesLas familias de imágenes tienen el formato FRAMEWORK-VERSION-CUDA_VERSION(-experimental), en el que FRAMEWORK es la biblioteca de destino, VERSION es la versión del framework y CUDA_VERSION es la versión de la pila CUDA (si hay una).
Por ejemplo, una imagen de la familia tf-ent-2-13-cu113 tiene TensorFlow Enterprise 2.13 y CUDA 11.3.
¿Qué sigue?
Crea una nueva instancia de VM de aprendizaje profundo con Cloud Marketplace o con la línea de comandos.