Deep Learning VM Images sind vorkonfigurierte VM-Images für Data Science und Machine Learning. Sie bringen die wichtigsten Frameworks und Werkzeuge bereits mit, sodass eine Instanz unmittelbar für Entwicklung und Training genutzt werden kann – auch auf Maschinen mit GPUs.
Was sind Deep Learning VM Images?
Die Images decken laut Dokumentation viele Kombinationen aus Framework und Prozessor ab. Verfügbar sind Varianten für TensorFlow Enterprise, TensorFlow, PyTorch sowie für generisches High-Performance Computing, jeweils in Ausführungen für reine CPU-Nutzung und für GPU-gestützte Workflows.
Als Basis dienen Debian 11 und Ubuntu 22.04. Die Images lassen sich so konfigurieren, dass sie ein bestimmtes Framework samt unterstützender Pakete enthalten, dazu Python 3.10 mit gängigen Bibliotheken wie numpy, scipy, matplotlib, pandas, nltk, pillow, scikit-image, opencv-python und scikit-learn. JupyterLab-Notebook-Umgebungen sind für schnelles Prototyping enthalten.
Für GPU-Instanzen enthalten die Images die Nvidia-Pakete mit dem aktuellen Treiber sowie CUDA in den Versionen 11.x und 12.x und CuDNN 7.x beziehungsweise NCCL 2.x; die konkreten Versionen hängen vom gewählten Framework und der CUDA-Version ab.
Google aktualisiert die Images regelmäßig mit Fehlerbehebungen und Paket-Updates; die jeweiligen Änderungen sind in den Release Notes dokumentiert. Die Instanzen der Deep Learning VM Images sind laut Preisseite kostenfrei nutzbar; berechnet werden die genutzten Compute-Engine-Ressourcen.
Kernfunktionen
- Vorinstallierte Frameworks: Images für TensorFlow Enterprise, TensorFlow, PyTorch und generisches High-Performance Computing.
- CPU- und GPU-Varianten: Passende Images für beide Betriebsarten.
- Vollständiger GPU-Stack: Nvidia-Treiber, CUDA und CuDNN beziehungsweise NCCL sind enthalten.
- Python-Umgebung: Python 3.10 mit den gängigen Data-Science-Bibliotheken.
- JupyterLab: Notebook-Umgebungen für schnelles Prototyping.
- Regelmäßige Pflege: Fortlaufende Aktualisierung mit Fehlerbehebungen und Paket-Updates.
Typische Anwendungsfälle
Schneller Projektstart
Ein Team startet ein neues ML-Projekt und nutzt ein vorkonfiguriertes Image, statt Treiber, CUDA und Frameworks selbst zu installieren.
GPU-Training ohne Einrichtungsaufwand
Für ein Trainingsexperiment wird eine GPU-Instanz mit passendem Image erstellt, auf der der komplette Nvidia-Stack bereits vorhanden ist.
Reproduzierbare Trainingsumgebungen
Mehrere Teammitglieder arbeiten mit demselben Image und damit mit identischen Framework- und Bibliotheksversionen.
High-Performance-Computing-Aufgaben
Für rechenintensive Aufgaben ohne spezifisches ML-Framework wird die generische HPC-Variante genutzt.
Prototyping im Notebook
Über die enthaltene JupyterLab-Umgebung werden Ideen direkt auf der Instanz getestet, bevor sie in Pipelines überführt werden.
Vorteile
- Kein Einrichtungsaufwand: Frameworks, Treiber und Bibliotheken sind bereits enthalten.
- Passende Varianten: Für jedes gängige Framework existiert ein eigenes Image.
- Kein Aufpreis für das Image: Laut Preisseite sind die Instanzen der Deep Learning VM Images kostenfrei nutzbar.
- Aktueller GPU-Stack: Nvidia-Treiber, CUDA und CuDNN werden mitgeliefert.
- Gepflegte Basis: Regelmäßige Updates mit Fehlerbehebungen und Paketaktualisierungen.
Integration mit innFactory
Als zertifizierter Google Cloud Partner unterstützt innFactory Sie beim Einsatz von Deep Learning VM Images: Auswahl passender Images und Maschinentypen, GPU-Dimensionierung, Aufbau reproduzierbarer Trainingsumgebungen sowie Anbindung an Ihre bestehenden ML-Workflows.
Kontaktieren Sie uns für eine Beratung zu Deep Learning VM Images und Google Cloud.
Typische Anwendungsfälle
Technische Spezifikationen
Häufig gestellte Fragen
Was sind Deep Learning VM Images?
Deep Learning VM Images sind laut Dokumentation eine Reihe von VM-Images, die für Data-Science- und Machine-Learning-Aufgaben optimiert sind. Alle Images bringen wichtige ML-Frameworks und Werkzeuge vorinstalliert mit und lassen sich ohne weitere Vorbereitung auf Instanzen mit GPUs nutzen.
Welche Frameworks sind verfügbar?
Die Dokumentation nennt Images für TensorFlow Enterprise, TensorFlow, PyTorch sowie für generisches High-Performance Computing, jeweils in Varianten für reine CPU-Nutzung und für GPU-gestützte Workflows. Die vollständige Liste finden Sie im Abschnitt zur Image-Auswahl der offiziellen Dokumentation.
Welche Software ist enthalten?
Die Images basieren auf Debian 11 und Ubuntu 22.04. Enthalten sind Python 3.10 mit Paketen wie numpy, scipy, matplotlib, pandas, nltk, pillow, scikit-image, opencv-python und scikit-learn sowie JupyterLab-Notebook-Umgebungen. Für GPU-Instanzen kommen der aktuelle Nvidia-Treiber, CUDA 11.x und 12.x sowie CuDNN 7.x und NCCL 2.x hinzu, wobei die Versionen von Framework und CUDA-Version abhängen.
Was kosten Deep Learning VM Images?
Laut Preisseite sind die Instanzen der Deep Learning VM Images kostenfrei nutzbar. Da sie auf Compute Engine laufen, werden die Kosten für die genutzten Compute-Engine-Ressourcen berechnet.
Wie oft werden die Images aktualisiert?
Die Dokumentation gibt an, dass die Images regelmäßig mit Fehlerbehebungen und Paket-Updates aktualisiert werden. Details zu einzelnen Aktualisierungen stehen in den Release Notes.
Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von Google Cloud (offizielle Dokumentation). Diese Seite stellt kein Angebot von Google Cloud dar.
