Nous proposons des images Deep Learning VM Image spécifiques adaptées à un grand nombre de framework et de processeur. Il existe actuellement des images compatibles avec TensorFlow, PyTorch et le calcul hautes performances générique, dans des versions pour les workflows reposant uniquement sur le processeur ou utilisant des GPU. Pour trouver l'image de votre choix, consultez le tableau ci-dessous.
Choisir une famille d'images
Choisissez une famille d'images Deep Learning VM en fonction du framework et du processeur dont vous avez besoin.
Le tableau suivant répertorie les versions les plus récentes des familles d'images, organisées par type de structure.
Pour obtenir la version la plus récente d'une image, créez une instance en référençant une famille d'images avec latest dans le nom.
Si vous avez besoin d'une version de framework spécifique, passez à la section Versions de framework compatibles.
| Framework | Processeur | Nom des familles d'images |
|---|---|---|
| Base | GPU |
common-cu123common-cu122common-cu121common-cu118common-cu113common-cu110
|
| Processeur | common-cpu |
|
| TensorFlow Enterprise | GPU | tf-ent-latest-gpu |
| Processeur | tf-ent-latest-cpu |
|
| PyTorch | GPU | pytorch-latest-gpu |
| Processeur | pytorch-latest-cpu |
Choisir un système d'exploitation
Pour la plupart des frameworks, Debian 11 est le système d'exploitation par défaut. Les images Ubuntu 22.04 sont disponibles pour certains frameworks.
Elles sont désignées par les suffixes -ubuntu-2204 dans le nom de la famille d'images (consultez la section Répertorier toutes les versions disponibles).
Les images Debian 10 et Debian 9 sont obsolètes.
Les familles d'images PyTorch et TensorFlow Enterprise sont compatibles avec les accélérateurs de GPU A100.
Images TensorFlow Enterprise
Les familles d'images TensorFlow Enterprise proposent une distribution optimisée de TensorFlow pour Google Cloud. Pour en savoir plus sur TensorFlow Enterprise, y compris sur les versions compatibles, consultez la Présentation de TensorFlow Enterprise.
Images expérimentales
Certaines familles d'images Deep Learning VM sont expérimentales, comme indiqué par le tableau des familles d'images. Les images expérimentales sont prises en charge suivant un principe d'optimisation et peuvent ne pas être actualisées à chaque nouvelle release du framework.
Spécifier une version d'image
Vous pouvez réutiliser la même image même si la dernière image est plus récente. Cela peut être utile, par exemple, si vous essayez de créer un cluster et que vous voulez vous assurer que les images utilisées pour créer des instances sont toujours les mêmes. Dans ce cas, vous ne devez pas utiliser le nom de la famille d'images. En effet, si la dernière image est mise à jour, vous aurez des images différentes sur certaines instances de votre cluster.
À la place, vous pouvez déterminer le nom exact de l'image, inclure le numéro de version, puis utiliser cette image spécifique pour générer de nouvelles instances dans votre cluster.
Pour connaître le nom exact de la dernière image, exécutez la commande suivante dans Google Cloud CLI avec un terminal de votre choix ou dans Cloud Shell. Remplacez IMAGE_FAMILY par le nom de la famille d'images dont vous souhaitez connaître le dernier numéro de version.
gcloud compute images describe-from-family IMAGE_FAMILY \
--project deeplearning-platform-releaseRecherchez le champ name dans le résultat et utilisez le nom d'image qui y est indiqué lorsque vous créez des instances.
Versions de framework compatibles
Deep Learning VM prend en charge chaque version de framework en fonction d'une programmation afin de minimiser les failles de sécurité. Consultez les règles de compatibilité du framework Deep Learning VM pour comprendre les implications des dates de fin de période de compatibilité et de fin de disponibilité.
Si vous avez besoin d'une version CUDA ou de framework spécifique, consultez les tableaux suivants. Pour trouver une valeur VERSION_DATE spécifique pour une image, consultez la section Répertorier les versions disponibles.
Versions de base
| Version du framework de ML | Version de correctif actuelle | Accélérateurs compatibles | Date de fin de correctif et de fin de compatibilité | Date de fin de disponibilité | Nom de la famille d'images |
|---|---|---|---|---|---|
| Processeur de base (Python 3.10 / Debian 11) | Non applicable (N/A) | CPU uniquement | 1er juillet 2024 | 1er juillet 2025 | common-cpu-VERSION_DATE-debian-11 |
| Base-cu123 (Python 3.10) | CUDA 12.3 | GPU (CUDA 12.3) | 19 octobre 2024 | 19 octobre 2025 | common-cu123-VERSION_DATE-debian-11-py310 |
| Base-cu122 (Python 3.10) | CUDA 12.2 | GPU (CUDA 12.2) | 28 juin 2024 | 28 juin 2025 | common-cu122-VERSION_DATE-debian-11-py310 |
| Base-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28 février 2024 | 28 février 2025 | common-cu121-VERSION_DATE-debian-11-py310 |
| Base-cu118 (Python 3.10) | CUDA 11.8 | GPU (CUDA 11.8) | 1er juillet 2024 | 1er juillet 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.10) | CUDA 11.3 | GPU (CUDA 11.3) | 1er janvier 2024 | 1er janvier 2025 | common-cu113-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.7) | CUDA 11.3 | GPU (CUDA 11.3) | 1er septembre 2023 | 1er septembre 2024 | common-cu113-VERSION_DATE-py37 |
| Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 1er septembre 2023 | 1er septembre 2024 | common-cu110-VERSION_DATE-py37 |
| Processeur de base (Python 3.7) | Non applicable (N/A) | CPU uniquement | 1er septembre 2023 | 1er septembre 2024 | common-cpu-VERSION_DATE-debian-10 |
Versions de TensorFlow
| Version du framework de ML | Version de correctif actuelle | Accélérateurs compatibles | Date de fin de correctif et de fin de compatibilité | Date de fin de disponibilité | Nom de la famille d'images |
|---|---|---|---|---|---|
| 2.17 (Python 3.10) | 2.17.0 | CPU uniquement | 11 juillet 2025 | 11 juillet 2026 | tf-2-17-cpu-VERSION_DATE-py310 |
| 2.17 (Python 3.10) | 2.17.0 | GPU (CUDA 12.3) | 11 juillet 2025 | 11 juillet 2026 | tf-2-17-cu123-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | CPU uniquement | 28 juin 2025 | 28 juin 2026 | tf-2-16-cpu-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | GPU (CUDA 12.3) | 28 juin 2025 | 28 juin 2026 | tf-2-16-cu123-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | CPU uniquement | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cpu-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.2) | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cu122-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | CPU uniquement | 26 septembre 2024 | 26 septembre 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 septembre 2024 | 26 septembre 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | CPU uniquement | 5 juillet 2024 | 5 juillet 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 juillet 2024 | 5 juillet 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | CPU uniquement | 30 juin 2024 | 30 juin 2025 | tf-2-12-cpu-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | GPU (CUDA 11.8) | 30 juin 2024 | 30 juin 2025 | tf-2-12-cu113-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | CPU uniquement | 15 nov. 2022 | 15 novembre 2023 | tf-2-11-cpu-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15 nov. 2022 | 15 novembre 2023 | tf-2-11-cu113-VERSION_DATE-py310 |
| 2.11 | 2.11.0 | CPU uniquement | 15 novembre 2023 | 15 novembre 2024 | tf-2-11-cpu-VERSION_DATE-py37 |
| 2.11 | 2.11.0 | GPU (CUDA 11.3) | 15 novembre 2023 | 15 novembre 2024 | tf-2-11-cu113-VERSION_DATE-py37 |
| 2.10 | 2.10.1 | CPU uniquement | 15 novembre 2023 | 15 novembre 2024 | tf-2-10-cpu-VERSION_DATE-py37 |
| 2.10 | 2.10.1 | GPU (CUDA 11.3) | 15 novembre 2023 | 15 novembre 2024 | tf-2-10-cu113-VERSION_DATE-py37 |
| 2.9 | 2.9.3 | CPU uniquement | 15 novembre 2023 | 15 novembre 2024 | tf-2-9-cpu-VERSION_DATE-py37 |
| 2.9 | 2.9.3 | GPU (CUDA 11.3) | 15 novembre 2023 | 15 novembre 2024 | tf-2-9-cu113-VERSION_DATE-py37 |
| 2.8 | 2.8.4 | CPU uniquement | 15 novembre 2023 | 15 novembre 2024 | tf-2-8-cpu-VERSION_DATE-py37 |
| 2.8 | 2.8.4 | GPU (CUDA 11.3) | 15 novembre 2023 | 15 novembre 2024 | tf-2-8-cu113-VERSION_DATE-py37 |
| 2.6 (py39) | 2.6.5 | CPU uniquement | 1er septembre 2023 | 1er septembre 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
| 2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1er septembre 2023 | 1er septembre 2024 | tf-2-6-cu110-VERSION_DATE-py39 |
| 2.6 (py37) | 2.6.5 | CPU uniquement | 1er septembre 2023 | 1er septembre 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
| 2.6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 1er septembre 2023 | 1er septembre 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
| 2.3 | 2.3.4 | CPU uniquement | 1er septembre 2023 | 1er septembre 2024 | tf-2-3-cpu |
| 2.3 | 2.3.4 | GPU (CUDA 11.3) | 1er septembre 2023 | 1er septembre 2024 | tf-2-3-cu110-VERSION_DATE |
Versions de PyTorch
| Version du framework de ML | Version de correctif actuelle | Accélérateurs compatibles | Date de fin de correctif et de fin de compatibilité | Date de fin de disponibilité | Nom de la famille d'images |
|---|---|---|---|---|---|
| 2.3 (Python 3.10) | 2.3.0 | CUDA 12.1 | 24 avril 2025 | 24 avril 2026 | pytorch-2-3-VERSION_DATE-py310 |
| 2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 janvier 2025 | 30 janvier 2026 | pytorch-2-2-VERSION_DATE-py310 |
| 2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 octobre 2024 | 4 octobre 2025 | pytorch-2-1-VERSION_DATE-py310 |
| 2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 mars 2024 | 15 mars 2025 | pytorch-2-0-VERSION_DATE-py310 |
| 1.13 (Python 3.10) | 1.13.1 | CUDA 11.3 | 8 décembre 2023 | 8 décembre 2024 | pytorch-1-13-VERSION_DATE-py310 |
| 1.13 | 1.13.1 | CUDA 11.3 | 8 décembre 2023 | 8 décembre 2024 | pytorch-1-13-VERSION_DATE-py37 |
| 1.12 | 1.12.1 | CUDA 11.3 | 1er septembre 2023 | 1er septembre 2024 | pytorch-1-12-VERSION_DATE-py310 |
Répertorier toutes les versions disponibles à l'aide de gcloud CLI
Vous pouvez également répertorier toutes les images de VM Deep Learning disponibles à l'aide de la commande gcloud CLI suivante:
gcloud compute images list \
--project deeplearning-platform-release \
--format="value(NAME)" \
--no-standard-imagesLes familles d'images sont au format FRAMEWORK-VERSION-CUDA_VERSION(-experimental), où FRAMEWORK est la bibliothèque cible, VERSION est la version du framework et CUDA_VERSION est la version de la pile CUDA, le cas échéant.
Par exemple, une image de la famille tf-ent-2-13-cu113 contient TensorFlow Enterprise 2.13 et CUDA 11.3.
Étape suivante
Créez une instance Deep Learning VM à l'aide de Cloud Marketplace ou de la ligne de commande.