Escolher uma imagem de máquina virtual
As instâncias de notebooks gerenciados pelo usuário são instâncias de imagens de VM de aprendizado profundo com ambientes de notebook JupyterLab ativados e prontos para uso. Imagens específicas de notebooks gerenciados pelo usuário estão disponíveis para atender à sua escolha de framework e processador. Para encontrar a imagem pretendida, consulte a tabela a seguir.
Escolher uma família de imagens
Para garantir que sua instância use uma família de imagens compatível, crie uma instância fazendo referência a uma família de imagens com -notebooks
no nome. A tabela a seguir lista as versões padrão de famílias de imagens,
organizadas por tipo de framework. Se você precisar de uma versão específica de framework que não é mostrada aqui, consulte Versões de framework compatíveis.
Framework | Processador | Nomes de família de imagens |
---|---|---|
Base | GPU | common-cu110-notebooks common-cu113-notebooks common-cu118-notebooks common-cu121-notebooks
|
CPU | common-cpu-notebooks |
|
TensorFlow Enterprise | GPU | tf-ent-2-13-cu113-notebooks |
PyTorch | GPU | pytorch-2-2-cu121-notebooks |
R | CPU (experimenta) | r-4-1-cpu-experimental-notebooks |
Escolher um sistema operacional
O Debian 11 é o sistema operacional padrão para a maioria dos frameworks. As imagens do Ubuntu 22.04 estão disponíveis para alguns frameworks.
As imagens do Ubuntu 22.04 são indicadas pelos sufixos -ubuntu-2204
no nome da família da imagem. Consulte Listar todas as versões disponíveis. As imagens do Debian 10 e Debian 9 estão obsoletas.
As famílias de imagens PyTorch e TensorFlow Enterprise oferecem suporte a aceleradores de GPU A100.
Imagens do TensorFlow Enterprise
As famílias de imagens do TensorFlow Enterprise oferecem uma distribuição do TensorFlow otimizada pelo Google Cloud. Para mais informações sobre o TensorFlow Enterprise, incluindo quais versões são compatíveis, consulte Visão geral do TensorFlow Enterprise.
Imagens experimentais
A tabela de famílias de imagens mostra as famílias de imagens de notebooks gerenciadas pelo usuário que são experimentais. Imagens experimentais são compatíveis com base no melhor esforço e podem não receber atualizações em cada nova versão do framework.
Especificar uma versão de imagem
Quando você usa um nome de família de imagens para criar uma
instância de notebooks gerenciados pelo usuário, é gerada a imagem mais recente
dessa versão do framework.
Por exemplo, se você criar uma instância de notebooks gerenciados pelo usuário com base no nome de família tf-ent-2-13-cu113-notebooks
, o nome específico da imagem poderá ser como tf-ent-2-13-cu113-notebooks-v20230716
.
Para criar várias instâncias de notebooks gerenciados pelo usuário com base na mesma imagem, use o nome da imagem em vez do nome da família.
Para determinar o nome exato da imagem mais recente, execute o seguinte comando usando a Google Cloud CLI no terminal de sua preferência ou no Cloud Shell. Substitua IMAGE_FAMILY pelo nome da família da imagem para a qual você quer o número da versão mais recente.
gcloud compute images describe-from-family IMAGE_FAMILY \ --project deeplearning-platform-release
Na saída, procure o campo name
e use esse nome de imagem ao criar instâncias.
Versões de framework compatíveis
A Vertex AI é compatível com cada versão de framework com base em uma programação para minimizar as vulnerabilidades de segurança. Consulte a política de suporte do framework da Vertex AI para entender as implicações das datas de término e de fim da disponibilidade do suporte.
Se você precisar de um framework específico ou uma versão CUDA, consulte as tabelas a seguir. Para encontrar um VERSION_DATE
específico para uma imagem, consulte Como listar as versões disponíveis.
Versões de base
Versão do framework de MLs | Versão atual do patch | Aceleradores compatíveis | Fim do patch e da data de suporte | Data de término da disponibilidade | Nome da família da imagem |
---|---|---|---|---|---|
CPU base (Python 3.10 / Debian 11) | Não relevante (N/A) | Somente CPU | 1 de julho de 2024 | 1 de julho de 2025 | common-cpu-VERSION_DATE-debian-11 |
Base-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28 de fevereiro de 2024 | 28 de fevereiro de 2025 | common-cu121-VERSION_DATE-debian-11-py310 |
Base-cu118 (Python 3.10) | CUDA 11.8 | GPU (CUDA 11.8) | 1 de julho de 2024 | 1 de julho de 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
Base-cu113 (Python 3.10) | CUDA 11.3 | GPU (CUDA 11.3) | 1 de janeiro de 2024 | 1 de janeiro de 2025 | common-cu113-VERSION_DATE-debian-11-py310 |
Base-cu113 (Python 3.7) | CUDA 11.3 | GPU (CUDA 11.3) | 18 de setembro de 2023 | 18 de setembro de 2024 | common-cu113-VERSION_DATE-py37 |
Base-cu110 (Python 3.7) | CUDA 11.0 | GPU (CUDA 11.0) | 18 de setembro de 2023 | 18 de setembro de 2024 | common-cu110-VERSION_DATE-py37 |
CPU base (Python 3.7) | Não relevante (N/A) | Somente CPU | 18 de setembro de 2023 | 18 de setembro de 2024 | common-cpu-VERSION_DATE-debian-10 |
Versões do TensorFlow
Versão do framework de MLs | Versão atual do patch | Aceleradores compatíveis | Fim do patch e da data de suporte | Data de término da disponibilidade | Nome da família da imagem |
---|---|---|---|---|---|
2.15 (Python 3.10) | 2.15.0 | Somente CPU | 14 de novembro de 2024 | 14 de novembro de 2024 | tf-2-15-cpu-VERSION_DATE-py310 |
2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.1) | 14 de novembro de 2024 | 14 de novembro de 2024 | tf-2-15-cu121-VERSION_DATE-py310 |
2.14 (Python 3.10) | 2.14.0 | Somente CPU | 26 de setembro de 2024 | 26 de setembro de 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 de setembro de 2024 | 26 de setembro de 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
2.13 (Python 3.10) | 2.13.0 | Somente CPU | 5 de julho de 2024 | 5 de julho de 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 de julho de 2024 | 5 de julho de 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
2.12 (Python 3.10) | 2.12.0 | Somente CPU | 30 de junho de 2024 | 30 de junho de 2025 | tf-2-12-cpu-VERSION_DATE-py310 |
2.12 (Python 3.10) | 2.12.0 | GPU (CUDA 11.8) | 18 de janeiro de 2024 | 18 de janeiro de 2025 | tf-2-12-cu113-VERSION_DATE-py310 |
2.11 (Python 3.10) | 2.11.0 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-11-cpu-VERSION_DATE-py310 |
2.11 (Python 3.10) | 2.11.0 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-11-cu113-VERSION_DATE-py310 |
2.11 | 2.11.0 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-11-cpu-VERSION_DATE-py37 |
2.11 | 2.11.0 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-11-cu113-VERSION_DATE-py37 |
2.10 | 2.10.1 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-10-cpu-VERSION_DATE-py37 |
2.10 | 2.10.1 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-10-cu113-VERSION_DATE-py37 |
2.9 | 2.9.3 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-9-cpu-VERSION_DATE-py37 |
2.9 | 2.9.3 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-9-cu113-VERSION_DATE-py37 |
2.8 | 2.8.4 | Somente CPU | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-8-cpu-VERSION_DATE-py37 |
2.8 | 2.8.4 | GPU (CUDA 11.3) | 15 de novembro de 2023 | 15 de novembro de 2024 | tf-2-8-cu113-VERSION_DATE-py37 |
2.6 (py39) | 2.6.5 | Somente CPU | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-6-cu110-VERSION_DATE-py39 |
2.6 (py37) | 2.6.5 | Somente CPU | 18 de setembro de 2023 | 18 de setembro de 2024 | tf-2-6-cpu-VERSION_DATE-py37 |
2.6 (py37) | 2.6.5 | GPU (CUDA 11.3) | 18 de setembro de 2023 | 18 de setembro de 2024 | tf-2-6-cu110-VERSION_DATE-py37 |
2.3 | 2.3.4 | Somente CPU | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-3-cpu |
2.3 | 2.3.4 | GPU (CUDA 11.3) | 1 de setembro de 2023 | 1 de setembro de 2024 | tf-2-3-cu110-VERSION_DATE |
Versões do PyTorch
Versão do framework de MLs | Versão atual do patch | Aceleradores compatíveis | Fim do patch e da data de suporte | Data de término da disponibilidade | Nome da família da imagem |
---|---|---|---|---|---|
2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 de janeiro de 2024 | 30 de janeiro de 2025 | pytorch-2-2-VERSION_DATE-py310 |
2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 de outubro de 2024 | 4 de outubro de 2025 | pytorch-2-1-VERSION_DATE-py310 |
2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 de março de 2024 | 15 de março de 2025 | pytorch-2-0-VERSION_DATE-py310 |
1.13 (Python 3.10) | 1.13.1 | CUDA 11.3 | 8 de dezembro de 2023 | 8 de dezembro de 2024 | pytorch-1-13-VERSION_DATE-py310 |
1.13 | 1.13.1 | CUDA 11.3 | 8 de dezembro de 2023 | 8 de dezembro de 2024 | pytorch-1-13-VERSION_DATE-py37 |
1.12 | 1.12.1 | CUDA 11.3 | 1 de setembro de 2023 | 1 de setembro de 2024 | pytorch-1-12-VERSION_DATE-py310 |
Listar todas as versões disponíveis usando a CLI gcloud
Também é possível listar todas as imagens disponíveis da Vertex AI usando o seguinte comando da CLI da gcloud:
gcloud compute images list \ --project deeplearning-platform-release | grep notebooks
Os nomes de famílias de imagens são listados no seguinte formato:
FRAMEWORK-VERSION-CUDA_VERSION(-experimental)-notebooks
FRAMEWORK
: a biblioteca de destinoVERSION
: a versão do frameworkCUDA_VERSION
: a versão da pilha CUDA, se presente.
Por exemplo, uma imagem da família
tf-ent-2-13-cu113-notebooks
tem
o TensorFlow Enterprise 2.13 e CUDA 11.3.
A seguir
- Use o Console do Google Cloud para criar uma instância de notebooks gerenciado pelo usuário com propriedades padrão.
- Use a Google Cloud CLI para criar uma instância de notebooks gerenciado pelo usuário
- Saiba mais sobre instâncias de VM de aprendizado profundo.