Choisir une image de machine virtuelle pour votre instance de notebooks gérés par l'utilisateur Vertex AI Workbench

Choisir une image de machine virtuelle

Les instances de notebooks gérés par l'utilisateur sont des instances Deep Learning VM Image dans lesquelles les environnements de notebook JupyterLab sont activés et prêts à l'emploi. Nous proposons des images de notebooks gérés par l'utilisateur adaptées à un grand nombre de frameworks et de processeurs. Pour trouver l'image de votre choix, consultez le tableau suivant.

Choisir une famille d'images

Pour vous assurer que votre instance utilise une famille d'images compatible, créez une instance en référençant une famille d'images avec l'option -notebooks dans son nom. Le tableau suivant répertorie les versions par défaut des familles d'images, organisées par type de framework. Si vous avez besoin d'une version de framework spécifique qui n'apparaît pas ici, consultez la section Versions de framework compatibles.

Framework Processeur Nom des familles d'images
Base GPU common-cu110-notebooks
common-cu113-notebooks
Processeur common-cpu-notebooks
TensorFlow Enterprise GPU tf-ent-2-13-cu113-notebooks
PyTorch GPU pytorch-1-13-cu113-notebooks
R Processeur (expérimental) r-4-1-cpu-experimental-notebooks

Choisir un système d'exploitation

Debian 11 est le système d'exploitation par défaut pour la plupart des frameworks. Les images Ubuntu 20.04 sont disponibles pour certains frameworks. Les images Ubuntu 20.04 sont désignées par les suffixes -ubuntu-2004 dans le nom de la famille d'images (consultez la section Répertorier toutes les versions disponibles). Les images Debian 10 et Debian 9 sont obsolètes.

Les familles d'images PyTorch et TensorFlow Enterprise sont compatibles avec les accélérateurs de GPU A100.

Images TensorFlow Enterprise

Les familles d'images TensorFlow Enterprise proposent une distribution optimisée de TensorFlow pour Google Cloud. Pour en savoir plus sur TensorFlow Enterprise, y compris sur les versions compatibles, consultez la Présentation de TensorFlow Enterprise.

Images expérimentales

Le tableau des familles d'images présente les familles d'images de notebooks gérés par l'utilisateur qui sont expérimentales. Les images expérimentales sont prises en charge suivant un principe d'optimisation et peuvent ne pas être actualisées à chaque nouvelle version du framework.

Spécifier une version d'image

Lorsque vous utilisez un nom de famille d'images pour créer une instance de notebook géré par l'utilisateur, vous obtenez l'image la plus récente de cette version du framework. Par exemple, si vous créez une instance de notebooks gérés par l'utilisateur basée sur le nom de la famille tf-ent-2-13-cu113-notebooks, le nom de l'image spécifique peut ressembler à ceci : tf-ent-2-13-cu113-notebooks-v20230716.

Pour créer plusieurs instances de notebooks gérés par l'utilisateur basées sur exactement la même image, utilisez le nom de l'image plutôt que le nom de la famille d'images.

Pour déterminer le nom exact de l'image la plus récente, exécutez la commande suivante en utilisant Google Cloud CLI dans le terminal de votre choix ou dans Cloud Shell. Remplacez IMAGE_FAMILY par le nom de la famille d'images pour laquelle vous souhaitez obtenir le numéro de version le plus récent.

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

Dans le résultat, recherchez le champ name et utilisez ce nom d'image lorsque vous créez des instances.

Versions de framework compatibles

Vertex AI prend en charge chaque version de framework en fonction d'une programmation afin de minimiser les failles de sécurité. Consultez les règles de compatibilité du framework Vertex AI pour comprendre les implications des dates de fin de période de compatibilité et de fin de disponibilité.

Si vous avez besoin d'une version CUDA ou de framework spécifique, consultez les tableaux suivants. Pour trouver une valeur VERSION_DATE spécifique pour une image, consultez la section Répertorier les versions disponibles.

Versions de base

Version du framework de ML Version de correctif actuelle Accélérateurs compatibles Date de fin de correctif et de fin de compatibilité Date de fin de disponibilité Nom de la famille d'images
Processeur de base (Python 3.10 / Debian 11) Non applicable (N/A) CPU uniquement 1er juillet 2024 1er juillet 2025 common-cpu-VERSION_DATE-debian-11
Base-cu113 (Python 3.10) CUDA 11.3 GPU (CUDA 11.3) 1er janvier 2024 1er janvier 2025 common-cu113-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.7) CUDA 11.3 GPU (CUDA 11.3) 18 sept 2023 18 sept 2024 common-cu113-VERSION_DATE-py37
Base-cu110 (Python 3.7) CUDA 11.0 GPU (CUDA 11.0) 18 sept 2023 18 sept 2024 common-cu110-VERSION_DATE-py37
Processeur de base (Python 3.7) Non applicable (N/A) CPU uniquement 18 sept 2023 18 sept 2024 common-cpu-VERSION_DATE-debian-10

Versions de TensorFlow

Version du framework de ML Version de correctif actuelle Accélérateurs compatibles Date de fin de correctif et de fin de compatibilité Date de fin de disponibilité Nom de la famille d'images
2.12 (Python 3.10) 2.12.0 CPU uniquement 30 juin 2024 30 juin 2025 tf-2-12-cpu-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 GPU (CUDA 11.8) 18 janvier 2024 18 janvier 2025 tf-2-12-cu113-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 CPU uniquement 15 novembre 2023 15 novembre 2024 tf-2-11-cpu-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 GPU (CUDA 11.3) 15 novembre 2023 15 novembre 2024 tf-2-11-cu113-VERSION_DATE-py310
2.11 2.11.0 CPU uniquement 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 CPU uniquement 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 CPU uniquement 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 CPU uniquement 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 CPU uniquement 10 août 2024 10 août 2025 tf-2-6-cpu-VERSION_DATE-py39
2.6 (py39) 2.6.5 GPU (CUDA 11.3) 10 août 2024 10 août 2025 tf-2-6-cu110-VERSION_DATE-py39
2.6 (py37) 2.6.5 CPU uniquement 18 sept 2023 18 sept 2024 tf-2-6-cpu-VERSION_DATE-py37
2.6 (py37) 2.6.5 GPU (CUDA 11.3) 18 sept 2023 18 sept 2024 tf-2-6-cu110-VERSION_DATE-py37
2.3 2.3.4 CPU uniquement 1er septembre 2023 1er septembre 2024 tf-2-3-cpu
2.3 2.3.4 GPU (CUDA 11.3) 1er septembre 2023 1er septembre 2024 tf-2-3-cu110-VERSION_DATE

Versions de PyTorch

Version du framework de ML Version de correctif actuelle Accélérateurs compatibles Date de fin de correctif et de fin de compatibilité Date de fin de disponibilité Nom de la famille d'images
1.13 (Python 3.10) 1.13.1 CUDA 11.3 8 décembre 2023 8 décembre 2024 pytorch-1-13-VERSION_DATE-py310
1.13 1.13.1 CUDA 11.3 8 décembre 2023 8 décembre 2024 pytorch-1-13-VERSION_DATE-py37
1.12 1.12.1 CUDA 11.3 1er septembre 2023 1er septembre 2024 pytorch-1-12-VERSION_DATE-py310

Répertorier toutes les versions disponibles à l'aide de gcloud CLI

Vous pouvez également répertorier toutes les images de Vertex AI disponibles à l'aide de la commande gcloud CLI suivante :

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

Les noms de familles d'images sont répertoriés au format suivant :

FRAMEWORK-VERSION-CUDA_VERSION(-experimental)-notebooks

  • FRAMEWORK : bibliothèque cible
  • VERSION : version du framework
  • CUDA_VERSION : version de la pile CUDA, le cas échéant

Par exemple, une image de la famille tf-ent-2-13-cu113-notebooks contient TensorFlow Enterprise 2.13 et CUDA 11.3.

Étapes suivantes