Sono disponibili immagini specifiche di Deep Learning VM in base alla tua scelta di framework e processore. Al momento sono disponibili immagini che supportano TensorFlow, PyTorch e calcolo generico ad alte prestazioni, con versioni sia per flussi di lavoro solo con CPU sia per flussi di lavoro abilitati per GPU. Per trovare l'immagine che ti interessa, consulta la tabella riportata di seguito.
Scegliere una famiglia di immagini
Scegli una famiglia di immagini VM per il deep learning in base al framework
e al processore di cui hai bisogno.
La tabella seguente 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 specifica del framework, vai a Versioni del framework supportate.
| Framework | Processore | Nomi delle famiglie di immagini |
|---|---|---|
| Livelli | 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 |
Scegliere un sistema operativo
Per la maggior parte dei framework, Debian 11 è il sistema operativo predefinito. Le immagini Ubuntu 22.04
sono disponibili per alcuni framework.
Sono indicati dai suffissi -ubuntu-2204
nel nome della famiglia di immagini (vedi Elenco di tutte le versioni disponibili).
Le immagini Debian 10 e Debian 9 sono state ritirate.
Le famiglie di immagini PyTorch e TensorFlow Enterprise supportano gli acceleratori GPU A100.
Immagini di TensorFlow Enterprise
Le famiglie di immagini TensorFlow Enterprise forniscono una distribuzione di TensorFlow ottimizzata per Google Cloud. Per saperne di più su TensorFlow Enterprise, incluse le versioni supportate, consulta la panoramica di TensorFlow Enterprise.
Immagini sperimentali
Alcune famiglie di immagini di Deep Learning VM sono sperimentali, come indicato dalla tabella delle famiglie di immagini. Le immagini sperimentali sono supportate secondo il criterio del massimo impegno e potrebbero non ricevere aggiornamenti a ogni nuova release del framework.
Specifica di una versione dell'immagine
Puoi riutilizzare la stessa immagine anche se l'immagine più recente è più recente. Questo può essere utile, ad esempio, se stai tentando di creare un cluster e vuoi assicurarti che le immagini utilizzate per creare nuove istanze siano sempre le stesse. In questa situazione, non devi utilizzare il nome della famiglia di immagini perché, se l'immagine più recente viene aggiornata, avrai immagini diverse su alcune istanze del cluster.
In alternativa, puoi determinare il nome esatto dell'immagine, incorporare il numero di versione e utilizzare l'immagine specifica per generare nuove istanze nel tuo cluster.
Per scoprire il nome esatto dell'immagine più recente, utilizza il seguente comando in Google Cloud CLI con il terminale che preferisci o in Cloud Shell. Sostituisci IMAGE_FAMILY con il nome della famiglia di immagini per cui vuoi sapere il numero della versione più recente.
gcloud compute images describe-from-family IMAGE_FAMILY \
--project deeplearning-platform-releaseCerca il campo name nell'output e utilizza il nome dell'immagine indicato
quando crei nuove istanze.
Versioni del framework supportate
La VM per il deep learning supporta ogni versione del framework in base a una pianificazione per minimizzare le vulnerabilità di sicurezza. Esamina le norme di assistenza del framework VM per il deep learning per comprendere le implicazioni delle date di ritiro del supporto e di fine disponibilità.
Se hai bisogno di un framework o di una versione CUDA specifici, consulta le tabelle seguenti. Per trovare un VERSION_DATE specifico per un'immagine, consulta la sezione Elenco delle versioni disponibili.
Versioni di base
| Versione framework ML | Versione attuale della patch | Acceleratori supportati | Data di fine del patch e del supporto | Data di fine disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| Base-CPU (Python 3.10 / Debian 11) | Non applicabile (N/A) | Solo CPU | 1° luglio 2024 | 1° luglio 2025 | common-cpu-VERSION_DATE-debian-11 |
| Base-cu123 (Python 3.10) | CUDA 12.3 | GPU (CUDA 12.3) | 19 ottobre 2024 | 19 ottobre 2025 | common-cu123-VERSION_DATE-debian-11-py310 |
| Base-cu122 (Python 3.10) | CUDA 12.2 | GPU (CUDA 12.2) | 28 giugno 2024 | 28 giugno 2025 | common-cu122-VERSION_DATE-debian-11-py310 |
| Base-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28 febbraio 2024 | 28 febbraio 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° gennaio 2024 | 1° gennaio 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 |
| Base-CPU (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 attuale della patch | Acceleratori supportati | Data di fine del patch e del supporto | Data di fine disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| 2.17 (Python 3.10) | 2.17.0 | Solo CPU | 11 luglio 2025 | 11 luglio 2026 | tf-2-17-cpu-VERSION_DATE-py310 |
| 2.17 (Python 3.10) | 2.17.0 | GPU (CUDA 12.3) | 11 luglio 2025 | 11 luglio 2026 | tf-2-17-cu123-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | Solo CPU | 28 giugno 2025 | 28 giugno 2026 | tf-2-16-cpu-VERSION_DATE-py310 |
| 2.16 (Python 3.10) | 2.16.2 | GPU (CUDA 12.3) | 28 giugno 2025 | 28 giugno 2026 | tf-2-16-cu123-VERSION_DATE-py310 |
| 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 12.2) | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cu122-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 luglio 2024 | 5 luglio 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
| 2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 luglio 2024 | 5 luglio 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 | 1° settembre 2023 | 1° settembre 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
| 2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1° settembre 2023 | 1° settembre 2024 | 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 di PyTorch
| Versione framework ML | Versione attuale della patch | Acceleratori supportati | Data di fine del patch e del supporto | Data di fine disponibilità | Nome famiglia immagini |
|---|---|---|---|---|---|
| 2.3 (Python 3.10) | 2.3.0 | CUDA 12.1 | 24 aprile 2025 | 24 aprile 2026 | pytorch-2-3-VERSION_DATE-py310 |
| 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 ott 2024 | 4 ottobre 2025 | pytorch-2-1-VERSION_DATE-py310 |
| 2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 marzo 2024 | 15 marzo 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 VM per il deep learning disponibili utilizzando il seguente comando gcloud CLI:
gcloud compute images list \
--project deeplearning-platform-release \
--format="value(NAME)" \
--no-standard-imagesLe 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 famigliatf-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.