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 common-cu118-notebooks common-cu121-notebooks
|
Processeur | common-cpu-notebooks |
|
TensorFlow Enterprise | GPU | tf-ent-2-13-cu113-notebooks |
PyTorch | GPU | pytorch-2-2-cu121-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 22.04 sont disponibles pour certains frameworks.
Les images Ubuntu 22.04 sont désignées par les suffixes -ubuntu-2204
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-cu121 (Python 3.10) | CUDA 12.1 | GPU (CUDA 12.1) | 28 février 2024 | 28 février 2025 | common-cu121-VERSION_DATE-debian-11-py310 |
Base-cu118 (Python 3.10) | CUDA 11.8 | GPU (CUDA 11.8) | 1er juillet 2024 | 1er juillet 2025 | common-cu118-VERSION_DATE-debian-11-py310 |
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 |
---|---|---|---|---|---|
2.15 (Python 3.10) | 2.15.0 | CPU uniquement | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cpu-VERSION_DATE-py310 |
2.15 (Python 3.10) | 2.15.0 | GPU (CUDA 12.1) | 14 novembre 2024 | 14 novembre 2025 | tf-2-15-cu121-VERSION_DATE-py310 |
2.14 (Python 3.10) | 2.14.0 | CPU uniquement | 26 septembre 2024 | 26 septembre 2025 | tf-2-14-cpu-VERSION_DATE-py310 |
2.14 (Python 3.10) | 2.14.0 | GPU (CUDA 11.8) | 26 septembre 2024 | 26 septembre 2025 | tf-2-14-cu118-VERSION_DATE-py310 |
2.13 (Python 3.10) | 2.13.0 | CPU uniquement | 5 juillet 2024 | 5 juillet 2025 | tf-2-13-cpu-VERSION_DATE-py310 |
2.13 (Python 3.10) | 2.13.0 | GPU (CUDA 11.8) | 5 juillet 2024 | 5 juillet 2025 | tf-2-13-cu118-VERSION_DATE-py310 |
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 | 1er septembre 2023 | 1er septembre 2024 | tf-2-6-cpu-VERSION_DATE-py39 |
2.6 (py39) | 2.6.5 | GPU (CUDA 11.3) | 1er septembre 2023 | 1er septembre 2024 | 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 |
---|---|---|---|---|---|
2.2 (Python 3.10) | 2.2.0 | CUDA 12.1 | 30 janvier 2025 | 30 janvier 2026 | pytorch-2-2-VERSION_DATE-py310 |
2.1 (Python 3.10) | 2.1.0 | CUDA 12.1 | 4 octobre 2024 | 4 octobre 2025 | pytorch-2-1-VERSION_DATE-py310 |
2.0 (Python 3.10) | 2.0.0 | CUDA 11.8 | 15 mars 2024 | 15 mars 2025 | pytorch-2-0-VERSION_DATE-py310 |
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 cibleVERSION
: version du frameworkCUDA_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
- Utilisez la console Google Cloud pour créer une instance de notebooks gérés par l'utilisateur avec des propriétés par défaut.
- Utilisez Google Cloud CLI pour créer une instance de notebook gérée par l'utilisateur.
- En savoir plus sur les instances de VM Deep Learning.