Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Nutzerverwaltete Notebooks-Instanz mit benutzerdefiniertem Container erstellen
Sie können eine nutzerverwaltete Notebookinstanz auf Basis eines benutzerdefinierten Containers erstellen. Mit einem benutzerdefinierten Container können Sie eine nutzerverwaltete Notebookumgebung an Ihre spezifischen Anforderungen anpassen.
Der Container muss dabei über Ihr Google Cloud-Dienstkonto zugänglich sein und einen Dienst über Port 8080 verfügbar machen.
Es empfiehlt sich, einen Container zu erstellen, der von einem Deep Learning Container-Image abgeleitet ist, da diese Images bereits so konfiguriert sind, dass sie mit nutzerverwalteten Notebooks kompatibel sind.
So werden benutzerdefinierte Container-Kernel aktualisiert
Vertex AI Workbench ruft das neueste Container-Image für Ihren Kernel ab:
Wenn Sie die Instanz erstellen
Beim Upgrade der Instanz
Wenn Sie die Instanz starten
Der benutzerdefinierte Container-Kernel bleibt nicht bestehen, wenn Ihre Instanz gestoppt wird. Daher ruft Vertex AI Workbench bei jedem Start der Instanz die neueste Version des Container-Images ab.
Wenn Ihre Instanz mit einer neuen Version eines Containers ausgeführt wird, wird der Kernel Ihrer Instanz erst aktualisiert, wenn Sie Ihre Instanz beenden und starten.
Vorbereitung
Bevor Sie eine nutzerverwaltete Notebookinstanz erstellen können, müssen Sie ein Google Cloud-Projekt haben und die Notebooks API für dieses Projekt aktivieren.
Sign in to your Google Cloud account. If you're new to
Google Cloud,
create an account to evaluate how our products perform in
real-world scenarios. New customers also get $300 in free credits to
run, test, and deploy workloads.
In the Google Cloud console, on the project selector page,
select or create a Google Cloud project.
Wenn Sie GPUs mit Ihrer nutzerverwalteten Notebooks-Instanz verwenden möchten, prüfen Sie auf der Seite „Kontingente“ in der Google Cloud Console, ob in Ihrem Projekt genügend GPUs verfügbar sind. Wenn auf der Seite "Kontingente" keine GPUs aufgeführt sind oder Sie zusätzliche GPU-Kontingente benötigen, können Sie eine Erhöhung des Kontingents beantragen. Weitere Informationen finden Sie auf der Compute Engine-Seite Ressourcenkontingente unter Ein höheres Kontingent anfordern.
Erforderliche Rollen
Wenn Sie das Projekt erstellt haben, haben Sie die IAM-Rolle „Inhaber“ (roles/owner) für das Projekt, die alle erforderlichen Berechtigungen enthält. Überspringen Sie diesen Abschnitt und beginnen Sie mit der Erstellung Ihrer nutzerverwalteten Notebookinstanz. Wenn Sie das Projekt nicht selbst erstellt haben, fahren Sie mit diesem Abschnitt fort.
Bitten Sie Ihren Administrator, Ihrem Nutzerkonto die folgenden IAM-Rollen für das Projekt zuzuweisen, damit Ihr Nutzerkonto die erforderlichen Berechtigungen zum Erstellen einer nutzerverwalteten Notebookinstanz von Vertex AI Workbench hat:
Bereitschaft des benutzerdefinierten Containers sicherstellen
Sie benötigen einen benutzerdefinierten Container, auf den Ihr Google Cloud-Dienstkonto zugreifen kann. Informationen zum Erstellen eines benutzerdefinierten Containers aus einem Deep Learning Container-Image finden Sie unter Abgeleiteten Container erstellen.
Instanz mit benutzerdefiniertem Container erstellen
Führen Sie folgende Schritte aus, um eine nutzerverwaltete Notebooks-Instanz mithilfe eines benutzerdefinierten Containers zu erstellen:
Rufen Sie in der Google Cloud Console die Seite Nutzerverwaltete Notebooks auf.
Rufen Sie alternativ notebook.new (https://notebook.new) auf und überspringen Sie den nächsten Schritt.
Geben Sie auf der Seite Instanz erstellen im Abschnitt Details die folgenden Informationen für Ihre neue Instanz ein:
Instanzname: Ein Name für die neue Instanz.
Region und Zone: Wählen Sie eine Region und eine Zone für die neue Instanz aus. Wählen Sie für eine optimale Netzwerkleistung die Region aus, die Ihnen geografisch am nächsten liegt.
Prüfen Sie die verfügbaren Standorte für vom Nutzer verwaltete Notebooks.
Wählen Sie im Abschnitt Umgebung im Feld Umgebung die Option Benutzerdefinierter Container aus.
Fügen Sie im Feld Docker-Container-Image ein Docker-Container-Image auf eine der folgenden Arten hinzu:
Geben Sie den Pfad des Docker-Container-Images ein. Wenn Sie beispielsweise ein TensorFlow 2.12-Container-Image mit Beschleunigern von Deep Learning Container verwenden möchten, geben Sie us-docker.pkg.dev/deeplearning-platform-release/gcr.io/tf-cpu.2-12.py310 ein.
Klicken Sie auf Auswählen, um ein Docker-Container-Image aus Artifact Registry hinzuzufügen. Ändern Sie dann auf dem Tab Artifact Registry, in dem das Container-Image gespeichert ist, das Projekt in das Projekt, das Ihr Container-Image enthält, und wählen Sie das Container-Image aus.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[],[],null,["# Create a Vertex AI Workbench user-managed notebooks instance with a custom container\n\nCreate a user-managed notebooks instance with a custom container\n================================================================\n\n\n| Vertex AI Workbench user-managed notebooks is\n| [deprecated](/vertex-ai/docs/deprecations). On\n| April 14, 2025, support for\n| user-managed notebooks will end and the ability to create user-managed notebooks instances\n| will be removed. Existing instances will continue to function\n| but patches, updates, and upgrades won't be available. To continue using\n| Vertex AI Workbench, we recommend that you\n| [migrate\n| your user-managed notebooks instances to Vertex AI Workbench instances](/vertex-ai/docs/workbench/user-managed/migrate-to-instances).\n\n\u003cbr /\u003e\n\nYou can create a user-managed notebooks instance based on a custom\ncontainer. Using a custom container lets you customize a\nuser-managed notebooks environment for your specific needs.\nThe container must be accessible to your\nGoogle Cloud service account and expose a service on port 8080.\nWe recommend creating a container derived from a\n[Deep Learning Containers\nimage](/deep-learning-containers/docs/choosing-container#choose_a_container_image_type),\nbecause those images are already configured to be compatible\nwith user-managed notebooks.\n\nHow custom container kernels are updated\n----------------------------------------\n\nVertex AI Workbench pulls the latest container image for your kernel:\n\n- When you create your instance.\n\n- When you upgrade your instance.\n\n- When you start your instance.\n\nThe custom container kernel doesn't persist when your instance is stopped,\nso each time your instance is started, Vertex AI Workbench pulls\nthe latest version of the container image.\n\nIf your instance is running when a new version of a container is released,\nyour instance's kernel isn't updated until you stop and start your instance.\n\nBefore you begin\n----------------\n\nBefore you can create a user-managed notebooks instance, you must have a Google Cloud project and enable the Notebooks API for that project.\n\n- Sign in to your Google Cloud account. If you're new to Google Cloud, [create an account](https://console.cloud.google.com/freetrial) to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.\n- In the Google Cloud console, on the project selector page,\n select or create a Google Cloud project.\n\n | **Note**: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.\n\n [Go to project selector](https://console.cloud.google.com/projectselector2/home/dashboard)\n-\n [Verify that billing is enabled for your Google Cloud project](/billing/docs/how-to/verify-billing-enabled#confirm_billing_is_enabled_on_a_project).\n\n-\n\n\n Enable the Notebooks API.\n\n\n [Enable the API](https://console.cloud.google.com/flows/enableapi?apiid=notebooks.googleapis.com&redirect=https://console.cloud.google.com)\n\n- In the Google Cloud console, on the project selector page,\n select or create a Google Cloud project.\n\n | **Note**: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.\n\n [Go to project selector](https://console.cloud.google.com/projectselector2/home/dashboard)\n-\n [Verify that billing is enabled for your Google Cloud project](/billing/docs/how-to/verify-billing-enabled#confirm_billing_is_enabled_on_a_project).\n\n-\n\n\n Enable the Notebooks API.\n\n\n [Enable the API](https://console.cloud.google.com/flows/enableapi?apiid=notebooks.googleapis.com&redirect=https://console.cloud.google.com)\n\n1. If you plan to use GPUs with your user-managed notebooks instance, [check the quotas page in the\n Google Cloud console](https://console.cloud.google.com/quotas) to ensure that you have enough GPUs available in your project. If GPUs are not listed on the quotas page, or you require additional GPU quota, you can request a quota increase. See [Requesting an increase in\n quota](/compute/quotas#requesting_additional_quota) on the Compute Engine [Resource quotas](/compute/quotas) page.\n\n\u003cbr /\u003e\n\n### Required roles\n\nIf you created the project, you have the\nOwner (`roles/owner`) IAM role on the project,\nwhich includes all required permissions. Skip this section and\nstart creating your user-managed notebooks instance. If you didn't\ncreate the project yourself, continue in this section.\n\n\nTo get the permissions that\nyou need to create a Vertex AI Workbench user-managed notebooks instance,\n\nask your administrator to grant you the\nfollowing IAM roles on the project:\n\n- Notebooks Admin ([`roles/notebooks.admin`](/vertex-ai/docs/workbench/user-managed/iam#notebooks.admin))\n- Service Account User ([`roles/iam.serviceAccountUser`](/iam/docs/understanding-roles#iam.serviceAccountUser))\n\n\nFor more information about granting roles, see [Manage access to projects, folders, and organizations](/iam/docs/granting-changing-revoking-access).\n\n\nYou might also be able to get\nthe required permissions through [custom\nroles](/iam/docs/creating-custom-roles) or other [predefined\nroles](/iam/docs/roles-overview#predefined).\n\n### Make sure your custom container is ready\n\nMake sure you have a custom container that is accessible to your\nGoogle Cloud service account. For information about how to create a\ncustom container from a\n[Deep Learning Containers image](/deep-learning-containers/docs/choosing-container#choose_a_container_image_type), see\n[Creating a derivative container](/deep-learning-containers/docs/derivative-container).\n\nCreate an instance with a custom container\n------------------------------------------\n\nTo create a user-managed notebooks instance\nwith a custom container, complete the following steps:\n\n1. In the Google Cloud console, go to the **User-managed notebooks** page.\n Or go to [notebook.new](https://notebook.new)\n (https://notebook.new) and skip the next step.\n\n [Go to User-managed notebooks](https://console.cloud.google.com/vertex-ai/workbench/user-managed)\n2. Click add_box **Create new**.\n\n3. Click **Advanced options**.\n\n4. On the **Create instance** page,\n in the **Details** section,\n provide the following information for your new instance:\n\n - **Name**: a name for your new instance\n - **Region** and **Zone** : Select a region and zone for the new instance. For best network performance, select the region that is geographically closest to you. See the available [user-managed notebooks\n locations](/vertex-ai/docs/general/locations#user-managed-notebooks-locations).\n5. In the **Environment** section, in the **Environment** field,\n select **Custom container**.\n\n6. In the **Docker container image** field, add a Docker container image\n in one of the following ways:\n\n - Enter a Docker container image path. For example, to use a TensorFlow 2.12 container image with accelerators from [Deep Learning Containers](/deep-learning-containers/docs/choosing-container#deciding), enter `us-docker.pkg.dev/deeplearning-platform-release/gcr.io/tf-cpu.2-12.py310`.\n - Click **Select** to add a Docker container image from Artifact Registry. Then on the **Artifact Registry** tab where your container image is stored, change the project to the project that includes your container image, and select your container image.\n7. Make the rest of your selections, or leave them on their default\n setting. For more information about these settings, see [Create a\n user-managed notebooks instance with specific properties](/vertex-ai/docs/workbench/user-managed/create-new#create-with-options).\n\n8. Click **Create**. Vertex AI Workbench creates\n a user-managed notebooks instance for you, based\n on your custom container.\n\nWhat's next\n-----------\n\n- Read about how to [push container images to\n Artifact Registry](/artifact-registry/docs/docker/pushing-and-pulling). If the container images you push to Artifact Registry are derived from a [Deep Learning Containers\n image](/deep-learning-containers/docs/choosing-container#choose_a_container_image_type), you can use these container images when creating user-managed notebooks instances.\n- Learn more about modifying your custom containers by reading [Best practices for writing\n Dockerfiles](https://docs.docker.com/develop/develop-images/dockerfile_best-practices/)."]]
