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 PyTorch et le calcul hautes performances générique, dans des versions pour les workflows 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-cu128-ubuntu-2204-nvidia-570 |
| PyTorch | GPU | pytorch-2-7-cu128-ubuntu-2204-nvidia-570 |
Choisir un système d'exploitation
Ubuntu 22.04 est l'OS par défaut, et les images sont fournies avec le pilote NVIDIA version 570.
Elles sont désignées par les suffixes -ubuntu-2204-nvidia-570 dans le nom de la famille d'images (consultez la section Répertorier toutes les versions disponibles).
Toutes les images Debian sont obsolètes.
Toutes les images actives sont compatibles avec les accélérateurs GPU A3 Ultra.
Images PyTorch
Les familles d'images PyTorch proposent une distribution optimisée de PyTorch et PyTorch Lightning. Google Cloud
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
Toutes les images basées sur le processeur ont été abandonnées.
| 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 |
|---|---|---|---|---|---|
| Base-cu128 (Python 3.10 / Ubuntu 22.04) | CUDA 12.8 | GPU (CUDA 12.8) | 1er août 2026 | 1er août 2027 | common-cu128-ubuntu-2204-nvidia-570-VERSION_DATE |
| 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-cu124 (Python 3.10) | CUDA 12.4 | GPU (CUDA 12.4) | 1er avril 2025 | 1er avril 2026 | common-cu124-VERSION_DATE-debian-11-py310 |
| 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 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 |
|---|---|---|---|---|---|
| 2.7 (Python 3.10) | 2.7.1 | CUDA 12.8 | 1er août 2026 | 1er août 2027 | pytorch-2-7-cu128-ubuntu-2204-nvidia-570-VERSION_DATE |
| 2.4 (Python 3.10) | 2.4.0 | CUDA 12.4 | 24 juillet 2025 | 24 juillet 2026 | pytorch-2-4-VERSION_DATE-py310 |
| 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 |
Versions de TensorFlow
Toutes les images TensorFlow sont obsolètes.
| 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 |
Après l'arrêt
Lorsque les images atteignent la date de fin de correctif et de fin de compatibilité, elles sont obsolètes. La suppression signifie que ces images ne sont plus visibles publiquement. Nous vous recommandons d'utiliser des images compatibles pour garantir la sécurité et les performances.
Si votre image de VM Deep Learning est obsolète ou arrive en fin de disponibilité, nous vous recommandons vivement de migrer vers une image plus récente et compatible. Cela permet de s'assurer que vous continuez à recevoir les correctifs de sécurité essentiels et les dernières fonctionnalités. Voici quelques exemples de migration :
- S'il existe une image plus récente et compatible dans la même famille d'images, nous vous recommandons de mettre à niveau votre image vers une version compatible de la même famille d'images.
- S'il n'existe pas d'images compatibles plus récentes dans la même famille d'images, envisagez d'utiliser un framework compatible plus récent provenant d'une autre famille d'images de VM.
Utiliser une image après l'arrêt de son service
Si vous devez utiliser une image après sa suppression au mépris des recommandations de sécurité de Google et à vos risques et périls, vous devez spécifier une image de la famille d'images lorsque vous créez l'instance de VM.
Pour lister les images d'une famille d'images après la date de fin des correctifs et de l'assistance, incluez l'indicateur --show-deprecated dans votre commande gcloud compute images list ou sélectionnez Afficher les images obsolètes lorsque vous créez une instance dans la console Google Cloud . Consultez Répertorier toutes les versions disponibles à l'aide de gcloud CLI.
Pour créer une instance de VM Deep Learning qui utilise une image obsolète, consultez l'exemple de commande gcloud CLI suivant :
gcloud compute instances create deprecated-tf-vm \ --image=projects/deeplearning-platform-release/global/images/IMAGE_NAME \ --machine-type=n1-standard-4 \ --zone=us-east1-c
Remplacez IMAGE_NAME par le nom de l'image, comme suit :
- Pour utiliser une image spécifique dans la famille d'images, utilisez le nom de l'image, par exemple :
pytorch-2-7-cu128-ubuntu-2204-nvidia-570-v20250728.
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-CUDA_VERSION-OS, où FRAMEWORK est la bibliothèque cible, CUDA_VERSION est la version de la pile CUDA et OS désigne le système d'exploitation avec le pilote NVIDIA préinstallé.
Par exemple, une image de la famille pytorch-2-7-cu128-ubuntu-2204-nvidia-570 contient PyTorch 2.7, CUDA 12.8 et l'OS Ubuntu 22.04 avec le pilote NVIDIA 570 préinstallé.
Étapes suivantes
Créez une instance Deep Learning VM à l'aide de Cloud Marketplace ou de la ligne de commande.