Sono disponibili immagini specifiche Deep Learning VM Image che si adattano al framework e al processore che preferisci. Al momento sono disponibili immagini che supportano TensorFlow, PyTorch e il calcolo generico ad alte prestazioni, con versioni per flussi di lavoro solo CPU e abilitati per GPU. Per trovare l'immagine desiderata, consulta la tabella 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 il cui nome contiene latest.
Se hai bisogno di una versione specifica del framework, passa 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
di Ubuntu 22.04.
Sono indicate con i -ubuntu-2204
suffissi nel nome della famiglia di immagini (consulta la sezione 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 mirino di rilascio, ad esempio m88.
Ad esempio, gli elenchi per la release M88 sono disponibili alla pagina
gs://deeplearning-platform-release/installed-dependencies/images/m88/.
Immagini TensorFlow Enterprise
Le famiglie di immagini TensorFlow Enterprise offrono una distribuzione di TensorFlow ottimizzata per 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 versione del framework.
Specifica di una versione immagine
Puoi riutilizzare la stessa immagine anche se l'ultima è più recente. Questo può essere utile, ad esempio, se stai cercando di creare un cluster e vuoi assicurarti che le immagini utilizzate per creare nuove istanze siano sempre uguali. In questa situazione non devi utilizzare il nome della famiglia di immagini perché, se l'immagine più recente viene aggiornata, avrai immagini diverse in alcune istanze del cluster.
Puoi invece determinare il nome esatto dell'immagine, incorporare il numero di versione e quindi utilizzare questa specifica immagine per generare nuove istanze nel tuo cluster.
Per scoprire 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 che viene assegnato quando crei nuove istanze.
Versioni del framework supportate
Deep Learning VM supporta ogni versione del framework in base a una programmazione per ridurre al minimo le vulnerabilità di sicurezza. Consulta le norme di assistenza per il framework Deep Learning VM per comprendere le implicazioni delle date di fine assistenza e fine 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 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 della 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° luglio 2024 | > 1° luglio 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° set 2023 | 1° set 2024 | common-cu113-VERSION_DATE-py37 |
| Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 1° set 2023 | 1° set 2024 | common-cu110-VERSION_DATE-py37 |
| CPU di base (Python 3.7) | Non applicabile (N/A) | Solo CPU | 1° set 2023 | 1° set 2024 | common-cpu-VERSION_DATE-debian-10 |
Versioni TensorFlow
| Versione framework ML | Versione patch attuale | Acceleratori supportati | Data di fine della patch e del supporto | Data di fine della disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| 2.15 (Python 3.10) | 2.15.0 | Solo CPU | 14 nov 2024 | 14 nov 2025 | tf-2-15-cpu-VERSION_DATE-py310 |
| 2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.1) | 14 nov 2024 | 14 nov 2025 | tf-2-15-cu121-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | Solo CPU | 26 set 2024 | 26 set 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
| 2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 set 2024 | 26 set 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 nov 2022 | 15 nov 2023 | tf-2-11-cpu-VERSION_DATE-py310 |
| 2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15 nov 2022 | 15 nov 2023 | tf-2-11-cu113-VERSION_DATE-py310 |
| 2,11 | 2.11.0 | Solo 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 | Solo 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 | Solo 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 | Solo 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 | 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° set 2023 | 1° set 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
| 2.6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 1° set 2023 | 1° set 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
| 2.3 | 2.3.4 | Solo CPU | 1° set 2023 | 1° set 2024 | tf-2-3-cpu |
| 2.3 | 2.3.4 | GPU (CUDA 11.3) | 1° set 2023 | 1° set 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 della disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| 2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 gennaio 2025 | 30 gennaio 2026 | pytorch-2-2-VERSION_DATE-py310 |
| 2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 ottobre 2024 | 4 ottobre 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° set 2023 | 1° set 2024 | pytorch-1-12-VERSION_DATE-py310 |
Elenca tutte le versioni disponibili utilizzando gcloud CLI
Puoi anche elencare tutte le immagini VM di deep learning 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 VM di deep learning utilizzando Cloud Marketplace o utilizzando la riga di comando.