Sono disponibili immagini di Deep Learning VM Image specifiche per adattarsi alla tua scelta di framework e processore. Al momento sono presenti immagini che supportano TensorFlow, PyTorch e il computing generico ad alte prestazioni, con versioni per flussi di lavoro di solo CPU e abilitati per GPU. Per trovare l'immagine desiderata, consulta la tabella riportata di seguito.
Scegliere una famiglia di immagini
Scegli una famiglia di immagini Deep Learning VM in base al framework
e al processore di cui hai bisogno.
La seguente tabella elenca le versioni più recenti delle famiglie di immagini, organizzate per tipo di framework.
Per ottenere la versione più recente di un'immagine, crea un'istanza
facendo riferimento a una famiglia di immagini con latest nel nome.
Se hai bisogno di una versione del framework specifica, vai a Versioni del framework
supportate.
| Framework | Processore | Nomi di famiglie di immagini |
|---|---|---|
| Livelli | 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 |
Scelta di un sistema operativo
Per la maggior parte dei framework, Debian 11 è il sistema operativo predefinito. Per alcuni framework sono
disponibili immagini Ubuntu 20.04.
Sono indicate dai suffissi -ubuntu-2004 nel nome della famiglia di immagini (consulta l'elenco di tutte le versioni disponibili).
Le immagini Debian 10 e Debian 9 sono state deprecate.
Le famiglie di immagini PyTorch e TensorFlow Enterprise supportano gli acceleratori GPU A100.
Dipendenze incluse
Gli elenchi delle dipendenze Python incluse in ogni release sono disponibili in Cloud Storage
gs://deeplearning-platform-release/installed-dependencies/images/RELEASE_MILESTONE
Sostituisci RELEASE_MILESTONE con il segnale acustico del rilascio, ad esempio m88.
Ad esempio, gli elenchi per la release M88 sono disponibili su
gs://deeplearning-platform-release/installed-dependencies/images/m88/.
Immagini TensorFlow Enterprise
Le famiglie di immagini TensorFlow Enterprise forniscono una distribuzione di TensorFlow ottimizzata da Google Cloud. Per ulteriori informazioni su TensorFlow Enterprise, incluse le versioni supportate, consulta la panoramica di TensorFlow Enterprise.
Immagini sperimentali
Alcune famiglie di immagini Deep Learning VM sono sperimentali, come indicato dalla tabella delle famiglie di immagini. Le immagini sperimentali sono supportate secondo il criterio del "best effort" e potrebbero non ricevere aggiornamenti a ogni nuova release del framework.
Specificare una versione dell'immagine
Puoi riutilizzare la stessa immagine anche se quella più recente è più recente. Questo può essere utile, ad esempio, se stai cercando di creare un cluster e vuoi assicurarti che tutte le immagini utilizzate per creare nuove istanze siano sempre le stesse. Non utilizzare il nome della famiglia di immagini in questa situazione perché, se l'immagine più recente viene aggiornata, avrai immagini diverse su alcune istanze nel tuo cluster.
Puoi invece determinare il nome esatto dell'immagine, incorporare il numero di versione e utilizzare quell'immagine specifica per creare nuove istanze nel cluster.
Per trovare il nome esatto dell'immagine più recente, utilizza il comando seguente in Google Cloud CLI con il tuo terminale preferito o in Cloud Shell. Sostituisci IMAGE_FAMILY con il nome della famiglia di immagini di cui vuoi trovare il numero di versione più recente.
gcloud compute images describe-from-family IMAGE_FAMILY \
--project deeplearning-platform-release
Cerca il campo name nell'output e utilizza il nome dell'immagine indicato per la creazione di nuove istanze.
Versioni del framework supportate
Deep Learning VM supporta ogni versione del framework in base a una pianificazione per ridurre al minimo le vulnerabilità di sicurezza. Esamina i criteri di supporto del framework Deep Learning VM per comprendere le implicazioni delle date di fine del supporto e della disponibilità.
Se hai bisogno di un framework o di una versione CUDA specifici, consulta le tabelle seguenti. Per
trovare un elemento VERSION_DATE specifico per un'immagine, consulta la sezione Elenco
delle versioni disponibili.
Versioni di base
| Versione framework ML | Versione patch attuale | Acceleratori supportati | Data di fine della patch e del supporto | Data di fine disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| CPU di base (Python 3.10 / Debian 11) | Non applicabile (N/A) | Solo CPU | 1 lug 2024 | 1 lug 2025 | common-cpu-VERSION_DATE-debian-11 |
| 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° lug 2024 | > 1° lug 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.10) | CUDA 11.3 | GPU (CUDA 11.3) | 1 gen 2024 | 1 gen 2025 | common-cu113-VERSION_DATE-debian-11-py310 |
| Base-cu113 (Python 3.7) | CUDA 11.3 | GPU (CUDA 11.3) | 1° settembre 2023 | 1° settembre 2024 | common-cu113-VERSION_DATE-py37 |
| Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 1° settembre 2023 | 1° settembre 2024 | common-cu110-VERSION_DATE-py37 |
| CPU di base (Python 3.7) | Non applicabile (N/A) | Solo CPU | 1° settembre 2023 | 1° settembre 2024 | common-cpu-VERSION_DATE-debian-10 |
Versioni di TensorFlow
| Versione framework ML | Versione patch attuale | Acceleratori supportati | Data di fine della patch e del supporto | Data di fine disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| 2.15 (Python 3.10) | 2.15.0 | Solo CPU | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cpu-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.1) | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cu121-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | Solo CPU | 26 settembre 2024 | 26 settembre 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 settembre 2024 | 26 settembre 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | Solo CPU | 5 lug 2024 | 5 lug 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 lug 2024 | 5 lug 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | Solo CPU | 30 giugno 2024 | 30 giugno 2025 | tf-2-12-cpu-VERSION_DATE-py310 |
| 2.12 (Python 3.10) | 2.12.0 | GPU (CUDA 11.8) | 30 giugno 2024 | 30 giugno 2025 | tf-2-12-cu113-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | Solo CPU | 15 novembre 2022 | 15 novembre 2023 | tf-2-11-cpu-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15 novembre 2022 | 15 novembre 2023 | tf-2-11-cu113-VERSION_DATE-py310 |
| 2,11 | 2.11.0 | Solo CPU | 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 | Solo CPU | 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 | Solo CPU | 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 | Solo CPU | 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 | Solo CPU | 10 agosto 2024 | 10 agosto 2025 | tf-2-6-cpu-VERSION_DATE-py39 |
| 2,6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 10 agosto 2024 | 10 agosto 2025 | tf-2-6-cu110-VERSION_DATE-py39 |
| 2,6 (py37) | 2.6.5 | Solo CPU | 1° settembre 2023 | 1° settembre 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
| 2,6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 1° settembre 2023 | 1° settembre 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
| 2.3 | 2.3.4 | Solo CPU | 1° settembre 2023 | 1° settembre 2024 | tf-2-3-cpu |
| 2.3 | 2.3.4 | GPU (CUDA 11.3) | 1° settembre 2023 | 1° settembre 2024 | tf-2-3-cu110-VERSION_DATE |
Versioni PyTorch
| Versione framework ML | Versione patch attuale | Acceleratori supportati | Data di fine della patch e del supporto | Data di fine disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| 2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 gen 2025 | 30 gen 2026 | pytorch-2-2-VERSION_DATE-py310 |
| 2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 ott 2024 | 4 ott 2025 | pytorch-2-1-VERSION_DATE-py310 |
| 2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 mar 2024 | 15 mar 2025 | pytorch-2-0-VERSION_DATE-py310 |
| 1.13 (Python 3.10) | 1.13.1 | CUDA 11.3 | 8 dicembre 2023 | 8 dicembre 2024 | pytorch-1-13-VERSION_DATE-py310 |
| 1,13 | 1.13.1 | CUDA 11.3 | 8 dicembre 2023 | 8 dicembre 2024 | pytorch-1-13-VERSION_DATE-py37 |
| 1,12 | 1.12.1 | CUDA 11.3 | 1° settembre 2023 | 1° settembre 2024 | pytorch-1-12-VERSION_DATE-py310 |
Elenca tutte le versioni disponibili utilizzando gcloud CLI
Puoi anche elencare tutte le immagini Deep Learning VM disponibili utilizzando il seguente comando gcloud CLI:
gcloud compute images list \
--project deeplearning-platform-release \
--format="value(NAME)" \
--no-standard-images
Le famiglie di immagini sono denominate nel formato
FRAMEWORK-VERSION-CUDA_VERSION(-experimental),
dove FRAMEWORK è la libreria di destinazione,
VERSION è la versione del framework e
CUDA_VERSION è la versione dello stack CUDA, se presente.
Ad esempio, un'immagine della famiglia
tf-ent-2-13-cu113 ha
TensorFlow Enterprise 2.13 e CUDA 11.3.
Passaggi successivi
Crea una nuova istanza Deep Learning VM utilizzando Cloud Marketplace o la riga di comando.