VM-Image auswählen

Nutzerverwaltete Notebookinstanzen sind Deep Learning VM Image-Instanzen mit aktivierten JupyterLab-Notebookumgebungen, die sofort verwendet werden können. Je nach Framework und Prozessor sind bestimmte nutzerverwaltete Notebook-Images verfügbar. In der folgenden Tabelle finden Sie das gewünschte Image.

Imagefamilie auswählen

Wenn die Instanz eine unterstützte Image-Familie verwenden soll, erstellen Sie eine Instanz, indem Sie auf eine Image-Familie mit -notebooks im Namen verweisen. In der folgenden Tabelle sind die Standardversionen von Imagefamilien aufgeführt, sortiert nach Framework-Typ. Wenn Sie eine bestimmte Framework-Version benötigen, die hier nicht gezeigt wird, finden Sie weitere Informationen unter Unterstützte Framework-Versionen.

Framework Prozessor Image-Familienname(n)
Basis 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 (experimentell) r-4-1-cpu-experimental-notebooks

Betriebssystem auswählen

Debian 11 ist das Standardbetriebssystem für die meisten Frameworks. Ubuntu 20.04-Images sind für einige Frameworks verfügbar. Ubuntu 20.04-Images sind durch die Suffixe -ubuntu-2004 im Image-Familiennamen gekennzeichnet (siehe Alle verfügbaren Versionen auflisten). Debian 10- und Debian 9-Images wurden verworfen.

PyTorch- und TensorFlow Enterprise-Image-Familien unterstützen A100-GPU-Beschleuniger.

TensorFlow Enterprise-Images

TensorFlow Enterprise-Imagefamilien bieten eine für Google Cloud optimierte Distribution von TensorFlow. Weitere Informationen zu TensorFlow Enterprise, einschließlich der unterstützten Versionen, finden Sie in der TensorFlow Enterprise-Übersicht.

Experimentelle Images

In der Tabelle der Image-Familien sind die vom Nutzer verwalteten Notebooks-Image-Familien, die experimentell sind, aufgeführt. Experimentelle Images werden auf Best-Effort-Basis unterstützt und werden nicht bei jedem neuen Release des Frameworks automatisch aktualisiert.

Image-Version angeben

Wenn Sie einen Namen einer Image-Familie zum Erstellen einer vom Nutzer verwalteten Notebooks-Instanz verwenden, erhalten Sie das neueste Image dieser Version des Frameworks. Wenn Sie beispielsweise eine nutzerverwaltete Notebookinstanz anhand des Familiennamens tf-ent-2-13-cu113-notebooks erstellen, sieht der spezifische Imagename möglicherweise so aus: tf-ent-2-13-cu113-notebooks-v20230716.

Wenn Sie mehrere nutzerverwaltete Notebookinstanzen erstellen möchten, die auf genau demselben Image basieren, verwenden Sie den Imagenamen anstelle des Imagefamiliennamens.

Führen Sie den folgenden Befehl aus, um den genauen Namen des neuesten Images zu ermitteln. Verwenden Sie dazu die Google Cloud CLI in Ihrem bevorzugten Terminal oder in Cloud Shell. Ersetzen Sie IMAGE_FAMILY durch den Namen der Image-Familie, für die Sie die neueste Versionsnummer ermitteln möchten.

gcloud compute images describe-from-family IMAGE_FAMILY \
    --project deeplearning-platform-release

Suchen Sie in der Ausgabe nach dem Feld name und verwenden Sie diesen Image-Namen, wenn Sie Instanzen erstellen.

Unterstützte Framework-Versionen

Vertex AI unterstützt jede Framework-Version basierend auf einem Zeitplan, um Sicherheitslücken zu minimieren. Prüfen Sie die Supportrichtlinie für Vertex AI-Framework, um die Auswirkungen des Enddatums des Supports und des Endes der Verfügbarkeit zu verstehen.

Wenn Sie ein bestimmtes Framework oder eine bestimmte CUDA-Version benötigen, lesen Sie die folgenden Tabellen. Informationen zum Ermitteln eines bestimmten VERSION_DATE für ein Image finden Sie unter Verfügbare Versionen auflisten.

Basisversionen

ML-Framework-Version Aktuelle Patchversion Unterstützte Beschleuniger Ende des Patch- und Supportdatums Enddatum der Verfügbarkeit Image-Familienname
Basis-CPU (Python 3.10 / Debian 11) Nicht zutreffend (N/A) Nur CPU 1. Juli 2024 1. Juli 2025 common-cpu-VERSION_DATE-debian-11
Base-cu121 (Python 3.10) CUDA 12.1 GPU (CUDA 12.1) 28. Feb. 2024 28. Feb. 2025 common-cu121-VERSION_DATE-debian-11-py310
Base-cu118 (Python 3.10) CUDA 11.8 GPU (CUDA 11.8) >1. Juli 2024 >1. Juli 2025 common-cu118-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.10) CUDA 11.3 GPU (CUDA 11.3) 1. Jan. 2024 1. Jan. 2025 common-cu113-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.7) CUDA 11.3 GPU (CUDA 11.3) 18. Sep. 2023 18. Sep. 2024 common-cu113-VERSION_DATE-py37
Base-cu110 (Python 3.7) CUDA 11.0 GPU (CUDA 11.0) 18. Sep. 2023 18. Sep. 2024 common-cu110-VERSION_DATE-py37
Basis-CPU (Python 3.7) Nicht zutreffend (N/A) Nur CPU 18. Sep. 2023 18. Sep. 2024 common-cpu-VERSION_DATE-debian-10

TensorFlow-Versionen

ML-Framework-Version Aktuelle Patchversion Unterstützte Beschleuniger Ende des Patch- und Supportdatums Enddatum der Verfügbarkeit Image-Familienname
2.15 (Python 3.10) 2.15.0 Nur CPU 14. Nov. 2024 14. Nov. 2025 tf-2-15-cpu-VERSION_DATE-py310
2.15 (Python 3.10) 2.15.0 GPU (CUDA 12.1) 14. Nov. 2024 14. Nov. 2025 tf-2-15-cu121-VERSION_DATE-py310
2.14 (Python 3.10) 2.14.0 Nur CPU 26. Sept. 2024 26. Sept. 2025 tf-2-14-cpu-VERSION_DATE-py310
2.14 (Python 3.10) 2.14.0 GPU (CUDA 11.8) 26. Sept. 2024 26. Sept. 2025 tf-2-14-cu118-VERSION_DATE-py310
2.13 (Python 3.10) 2.13.0 Nur CPU 5. Juli 2024 5. Juli 2025 tf-2-13-cpu-VERSION_DATE-py310
2.13 (Python 3.10) 2.13.0 GPU (CUDA 11.8) 5. Juli 2024 5. Juli 2025 tf-2-13-cu118-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 Nur CPU 30. Juni 2024 30. Juni 2025 tf-2-12-cpu-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 GPU (CUDA 11.8) 18. Jan. 2024 18. Jan. 2025 tf-2-12-cu113-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 Nur CPU 15. Nov. 2023 15. Nov. 2024 tf-2-11-cpu-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 GPU (CUDA 11.3) 15. Nov. 2023 15. Nov. 2024 tf-2-11-cu113-VERSION_DATE-py310
2.11 2.11.0 Nur CPU 15. Nov. 2023 15. Nov. 2024 tf-2-11-cpu-VERSION_DATE-py37
2.11 2.11.0 GPU (CUDA 11.3) 15. Nov. 2023 15. Nov. 2024 tf-2-11-cu113-VERSION_DATE-py37
2.10 2.10.1 Nur CPU 15. Nov. 2023 15. Nov. 2024 tf-2-10-cpu-VERSION_DATE-py37
2.10 2.10.1 GPU (CUDA 11.3) 15. Nov. 2023 15. Nov. 2024 tf-2-10-cu113-VERSION_DATE-py37
2,9 2.9.3 Nur CPU 15. Nov. 2023 15. Nov. 2024 tf-2-9-cpu-VERSION_DATE-py37
2,9 2.9.3 GPU (CUDA 11.3) 15. Nov. 2023 15. Nov. 2024 tf-2-9-cu113-VERSION_DATE-py37
2,8 2.8.4 Nur CPU 15. Nov. 2023 15. Nov. 2024 tf-2-8-cpu-VERSION_DATE-py37
2,8 2.8.4 GPU (CUDA 11.3) 15. Nov. 2023 15. Nov. 2024 tf-2-8-cu113-VERSION_DATE-py37
2.6 (py39) 2.6.5 Nur CPU 10. Aug. 2024 10. Aug. 2025 tf-2-6-cpu-VERSION_DATE-py39
2.6 (py39) 2.6.5 GPU (CUDA 11.3) 10. Aug. 2024 10. Aug. 2025 tf-2-6-cu110-VERSION_DATE-py39
2.6 (py37) 2.6.5 Nur CPU 18. Sep. 2023 18. Sep. 2024 tf-2-6-cpu-VERSION_DATE-py37
2.6 (py37) 2.6.5 GPU (CUDA 11.3) 18. Sep. 2023 18. Sep. 2024 tf-2-6-cu110-VERSION_DATE-py37
2,3 2.3.4 Nur CPU 1. Sept. 2023 1. Sept. 2024 tf-2-3-cpu
2,3 2.3.4 GPU (CUDA 11.3) 1. Sept. 2023 1. Sept. 2024 tf-2-3-cu110-VERSION_DATE

PyTorch-Versionen

ML-Framework-Version Aktuelle Patchversion Unterstützte Beschleuniger Ende des Patch- und Supportdatums Enddatum der Verfügbarkeit Image-Familienname
2.2 (Python 3.10) 2.2.0 CUDA 12.1 30. Jan. 2025 30. Jan. 2026 pytorch-2-2-VERSION_DATE-py310
2.1 (Python 3.10) 2.1.0 CUDA 12.1 4. Okt. 2024 4. Okt. 2025 pytorch-2-1-VERSION_DATE-py310
2.0 (Python 3.10) 2.0.0 CUDA 11.8 15. März 2024 15. März 2025 pytorch-2-0-VERSION_DATE-py310
1.13 (Python 3.10) 1.13.1 CUDA 11.3 8. Dez. 2023 8. Dez. 2024 pytorch-1-13-VERSION_DATE-py310
1.13 1.13.1 CUDA 11.3 8. Dez. 2023 8. Dez. 2024 pytorch-1-13-VERSION_DATE-py37
1.12 1.12.1 CUDA 11.3 1. Sept. 2023 1. Sept. 2024 pytorch-1-12-VERSION_DATE-py310

Alle verfügbaren Versionen mit der gcloud CLI auflisten

Mit dem folgenden gcloud CLI-Befehl können Sie auch alle verfügbaren Vertex AI-Images auflisten:

gcloud compute images list \
    --project deeplearning-platform-release | grep notebooks

Namen von Image-Familien werden im folgenden Format aufgeführt:

FRAMEWORK-VERSION-CUDA_VERSION(-experimental)-notebooks

  • FRAMEWORK: Zielbibliothek
  • VERSION: Framework-Version
  • CUDA_VERSION: die Version des CUDA-Stacks, sofern vorhanden.

So verwendet beispielsweise ein Image aus der Familie tf-ent-2-13-cu113-notebooks das Framework TensorFlow Enterprise 2.13 und CUDA 11.3.

Nächste Schritte