Cloud-GPUs

GPUs in Google Cloud für maschinelles Lernen, wissenschaftliches Rechnen und 3D-Visualisierung

Kostenlos testen

Schnelleres Cloud-Computing

Wissenschaftler, Künstler und Ingenieure sind auf massiv parallele Rechenleistung angewiesen. Google Cloud bietet virtuelle Maschinen mit GPUs an, die eine Leistung von bis zu 960 TeraFLOPS pro Instanz liefern können. Deep Learning, physische Simulationen und molekulare Modellierung laufen dank NVIDIA Tesla K80-, P4-, P100- und V100-GPUs noch schneller ab. Die GCP bietet unabhängig von der Größe der Arbeitslast die perfekte GPU für Ihre Jobs.

Schnelleres Cloud-Computing

Komplexe Rechenjobs beschleunigen

Erhöhen Sie die Geschwindigkeit komplexer Verarbeitungsvorgänge, wie sie beim maschinellen Lernen, bei medizinischen oder seismischen Analysen, beim Transcodieren von Videos, bei grafischer Visualisierung und bei wissenschaftlichen Simulationen anfallen. Sie können Compute Engine-Instanzen mit leistungsstarken GPUs ausstatten, die besonders komplexe und extrem rechenintensive Arbeitslasten bewältigen.

Komplexe Rechenjobs beschleunigen

GPUs in der Cloud

Senken Sie Ihre Kapitalkosten. Egal, ob GPUs für die anstehende Aufgabe über Stunden oder Wochen erforderlich sind, Sie erhalten genau das, was Sie benötigen. Konfigurieren Sie eine Instanz exakt mit dem erforderlichen Verhältnis zwischen Prozessoren, Speicher und GPUs, statt umgekehrt die Arbeitslast an beschränkte Systemkonfigurationen anpassen zu müssen.

GPUs in der Cloud

Zeit- und Kostenaufwand optimieren

Sie können dank der sekundengenauen Abrechnung die GPU auswählen, die am besten zu Ihrer Arbeitslast passt, und zahlen dabei nur für die tatsächliche Nutzung.

Zeit- und Kostenaufwand optimieren

Google-Infrastruktur nutzen

Sie können einige derselben Hardwaregeräte verwenden, die auch Google nutzt, um Hochleistungsprodukte für maschinelles Lernen zu entwickeln. Mit GPUs sind Sie in der Lage, riesige Datensätze zu verarbeiten. Die Hardware wird direkt an die virtuelle Maschine angebunden, um Bare-Metal-Leistung anbieten zu können.

Google-Infrastruktur nutzen

Features von GPUs

GPUs in Google Cloud für maschinelles Lernen, wissenschaftliches Rechnen und 3D-Visualisierung

Verschiedene GPU-Typen verfügbar
NVIDIA Tesla K80-, P100-, P4-, T4- und V100-GPUs sind jetzt je nach erforderlicher Rechenleistung oder Visualisierung verfügbar.
Bare-Metal-Leistung
GPUs werden im Passthrough-Modus angeboten und sind direkt mit der virtuellen Maschine verbunden, um maximale Leistung zu ermöglichen.
Alle Vorteile von Google Cloud
Sie können GPU-Arbeitslasten auf der Google Cloud Platform ausführen, wo Sie Zugriff auf branchenführende Speicher-, Netzwerk- und Datenanalysetechnologien haben.
Virtuelle Workstations in der Cloud
Sie können grafikintensive Anwendungen einschließlich 3D-Visualisierung und -Rendering mit NVIDIA GRID Virtual Workstations ausführen, die auf P4-, P100- und T4-GPUs unterstützt werden.
GPUs beliebigen Maschinentypen hinzufügen
Stimmen Sie den Prozessor, den Speicher, das Hochleistungslaufwerk und die GPU-Leistung optimal auf die jeweilige Arbeitslast ab.
Flexible Anzahl an GPUs pro Instanz
Sie können Ihrer Instanz bis zu acht GPU-Chips hinzufügen, um die Leistung zu erreichen, die Sie für Ihre Anwendungen benötigen.
Frameworks für GPU-Anwendungen
Egal, ob Sie für Ihre Anwendungen OpenCL, CUDA, Vulkan oder OpenGL brauchen: Compute Engine bietet die Hardware, mit der Sie Ihre Arbeitslasten schneller bewältigen.
Sekundengenaue Abrechnung
GPUs werden genauso wie die übrigen Google Cloud Platform-Ressourcen sekundengenau abgerechnet. So zahlen Sie nur für die tatsächliche Nutzung.
GPUs auf Abruf
Bei Batch-Verarbeitungsjobs können Kunden durch die Verwendung von GPUs mit Instanzen auf Abruf 70 % sparen – im Vergleich zu On-Demand-Preisen. Zusammen mit GPU-Instanzen auf Abruf können verwaltete Instanzgruppen verwendet werden, um einen großen Pool an erschwinglicher GPU-Kapazität zu schaffen, der so lange ausgeführt wird, wie Kapazität verfügbar ist.

"Für bestimmte Aufgaben sind [NVIDIA]-GPUs eine kostengünstige und leistungsstarke Alternative zu herkömmlichen CPUs. Für Shazams Kernlasten im Bereich Musikerkennung eignen sie sich ausgezeichnet. Dabei vergleichen wir Snippets von aufgezeichneten Audio-Fingerprints mit über 40 Millionen Songs aus unserem Katalog. Wir nehmen als Ausgangspunkt die Audiosignaturen jedes einzelnen Songs, speichern sie in einem eigenen Datenbankformat und laden sie in den GPU-Speicher. Immer, wenn ein Nutzer einen Song mit Shazam erkennen lässt, durchsucht unser Algorithmus diese Datenbank mithilfe von GPUs, bis eine Übereinstimmung gefunden wird. Das passiert über 20 Millionen Mal pro Tag."

– Ben Belchak Head of Site Reliability Engineering, Shazam

GPU-Preise

GPUs in Google Cloud für maschinelles Lernen, wissenschaftliches Rechnen und 3D-Visualisierung

Informationen zu den Preisen für die verschiedenen GPU-Typen und Regionen in Compute Engine finden Sie in der Preisübersicht für GPUs.