選擇圖片

您可以根據自己選擇的架構和處理器選擇特定的深度學習 VM 映像檔。目前映像檔可支援 TensorFlow、PyTorch 和一般高效能運算，並提供只使用 CPU 和已啟用 GPU 工作流程的版本。如要查看所需圖片，請參閱下表。

指定映像檔系列

請根據所需的架構和處理器選擇深度學習 VM 映像檔系列。下表列出最新版本的映像檔系列，並按架構類型分類。如要取得最新版本的映像檔，請參照名稱中含有 latest 的映像檔系列，建立執行個體。如果您需要特定的架構版本，請直接前往「支援的架構版本」一節。

架構 處理器 映像檔系列名稱
基本 GPU common-cu124
common-cu123
common-cu122
common-cu121
common-cu118
common-cu113
common-cu110
CPU common-cpu
TensorFlow 企業版 GPU tf-ent-latest-gpu
CPU tf-ent-latest-cpu
PyTorch GPU pytorch-latest-gpu
CPU pytorch-latest-cpu

選擇作業系統

對於大多數架構而言，預設的作業系統是 Debian 11。部分架構可使用 Ubuntu 22.04 映像檔。這些版本會在映像檔系列名稱中以 -ubuntu-2204 後置字元表示 (請參閱「列出所有可用版本」)。Debian 10 和 Debian 9 映像檔已淘汰。

PyTorch 和 TensorFlow Enterprise 映像檔系列支援 A100 GPU 加速器。

TensorFlow 企業版映像檔

TensorFlow 企業版映像檔系列提供 Google Cloud最佳化 TensorFlow 發布版本。如要進一步瞭解 TensorFlow 企業版 (包括支援的版本)，請參閱 TensorFlow 企業版總覽。

實驗性映像檔

部分深度學習 VM 映像檔系列為實驗性質，如映像檔系列表格所示。系統會盡可能提供實驗性映像檔，但並不會為每個新版架構提供更新內容。

指定映像檔版本

即使最新映像檔較新，您也可以重複使用相同的映像檔。舉例來說，如果您要在建立叢集時確保系統一律使用相同的映像檔建立新執行個體，這項功能就非常實用。在這種情況下，您不應使用映像檔系列的名稱，因為如果更新了最新映像檔，則叢集中的部分執行個體會使用不同的映像檔。

不過，您可以指定映像檔的確切名稱，並加上版本號碼，然後在叢集中使用該特定映像檔來產生新的執行個體。

如要找出最新映像檔的確切名稱，請在 Google Cloud CLI 中使用下列指令，搭配您偏好的終端機或 Cloud Shell。將 IMAGE_FAMILY 替換為您要找出最新版本編號的映像檔系列名稱。

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

然後在輸出結果中找到 name 欄位，並在建立新執行個體時使用該欄位對應的映像檔名稱。

支援的架構版本

深度學習 VM 會根據排程支援每個架構版本，以盡量減少安全漏洞。請詳閱深度學習 VM 架構支援政策，瞭解停止支援和停止提供服務日期的影響。

如果您需要特定的架構或 CUDA 版本，請參閱下表。如要找出映像檔的特定 VERSION_DATE，請參閱「列出可用版本」一文。

基礎版本

ML 架構版本 目前的修補程式版本 支援的加速器 修補和支援服務終止日期 結束日期 映像檔系列名稱
Base-CPU (Python 3.10 / Debian 11) 不適用 (N/A) 僅 CPU 2024 年 7 月 1 日 2025 年 7 月 1 日 common-cpu-VERSION_DATE-debian-11
Base-cu124 (Python 3.10) CUDA 12.4 GPU (CUDA 12.4) 2025 年 4 月 1 日 2026 年 4 月 1 日 common-cu124-VERSION_DATE-debian-11-py310
Base-cu123 (Python 3.10) CUDA 12.3 GPU (CUDA 12.3) 2024 年 10 月 19 日 2025 年 10 月 19 日 common-cu123-VERSION_DATE-debian-11-py310
Base-cu122 (Python 3.10) CUDA 12.2 GPU (CUDA 12.2) 2024 年 6 月 28 日 2025 年 6 月 28 日 common-cu122-VERSION_DATE-debian-11-py310
Base-cu121 (Python 3.10) CUDA 12.1 GPU (CUDA 12.1) 2024 年 2 月 28 日 2025 年 2 月 28 日 common-cu121-VERSION_DATE-debian-11-py310
Base-cu118 (Python 3.10) CUDA 11.8 GPU (CUDA 11.8) 2024 年 7 月 1 日 2025 年 7 月 1 日 common-cu118-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.10) CUDA 11.3 GPU (CUDA 11.3) 2024 年 1 月 1 日 2025 年 1 月 1 日 common-cu113-VERSION_DATE-debian-11-py310
Base-cu113 (Python 3.7) CUDA 11.3 GPU (CUDA 11.3) 2023 年 9 月 1 日 2024 年 9 月 1 日 common-cu113-VERSION_DATE-py37
Base-cu110 (Python 3.7) CUDA 11.0 GPU (CUDA 11.0) 2023 年 9 月 1 日 2024 年 9 月 1 日 common-cu110-VERSION_DATE-py37
Base-CPU (Python 3.7) 不適用 (N/A) 僅 CPU 2023 年 9 月 1 日 2024 年 9 月 1 日 common-cpu-VERSION_DATE-debian-10

TensorFlow 版本

ML 架構版本 目前的修補程式版本 支援的加速器 修補和支援服務終止日期 結束日期 映像檔系列名稱
2.17 (Python 3.10) 2.17.0 僅 CPU 2025 年 7 月 11 日 2026 年 7 月 11 日 tf-2-17-cpu-VERSION_DATE-py310
2.17 (Python 3.10) 2.17.0 GPU (CUDA 12.3) 2025 年 7 月 11 日 2026 年 7 月 11 日 tf-2-17-cu123-VERSION_DATE-py310
2.16 (Python 3.10) 2.16.2 僅 CPU 2025 年 6 月 28 日 2026 年 6 月 28 日 tf-2-16-cpu-VERSION_DATE-py310
2.16 (Python 3.10) 2.16.2 GPU (CUDA 12.3) 2025 年 6 月 28 日 2026 年 6 月 28 日 tf-2-16-cu123-VERSION_DATE-py310
2.15 (Python 3.10) 2.15.0 僅 CPU 2024 年 11 月 14 日 2025 年 11 月 14 日 tf-2-15-cpu-VERSION_DATE-py310
2.15 (Python 3.10) 2.15.0 GPU (CUDA 12.2) 2024 年 11 月 14 日 2025 年 11 月 14 日 tf-2-15-cu122-VERSION_DATE-py310
2.14 (Python 3.10) 2.14.0 僅 CPU 2024 年 9 月 26 日 2025 年 9 月 26 日 tf-2-14-cpu-VERSION_DATE-py310
2.14 (Python 3.10) 2.14.0 GPU (CUDA 11.8) 2024 年 9 月 26 日 2025 年 9 月 26 日 tf-2-14-cu118-VERSION_DATE-py310
2.13 (Python 3.10) 2.13.0 僅 CPU 2024 年 7 月 5 日 2025 年 7 月 5 日 tf-2-13-cpu-VERSION_DATE-py310
2.13 (Python 3.10) 2.13.0 GPU (CUDA 11.8) 2024 年 7 月 5 日 2025 年 7 月 5 日 tf-2-13-cu118-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 僅 CPU 2024 年 6 月 30 日 2025 年 6 月 30 日 tf-2-12-cpu-VERSION_DATE-py310
2.12 (Python 3.10) 2.12.0 GPU (CUDA 11.8) 2024 年 6 月 30 日 2025 年 6 月 30 日 tf-2-12-cu113-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 僅 CPU 2022 年 11 月 15 日 2023 年 11 月 15 日 tf-2-11-cpu-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 GPU (CUDA 11.3) 2022 年 11 月 15 日 2023 年 11 月 15 日 tf-2-11-cu113-VERSION_DATE-py310
2.11 2.11.0 僅 CPU 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-11-cpu-VERSION_DATE-py37
2.11 2.11.0 GPU (CUDA 11.3) 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-11-cu113-VERSION_DATE-py37
2.10 2.10.1 僅 CPU 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-10-cpu-VERSION_DATE-py37
2.10 2.10.1 GPU (CUDA 11.3) 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-10-cu113-VERSION_DATE-py37
2.9 2.9.3 僅 CPU 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-9-cpu-VERSION_DATE-py37
2.9 2.9.3 GPU (CUDA 11.3) 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-9-cu113-VERSION_DATE-py37
2.8 2.8.4 僅 CPU 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-8-cpu-VERSION_DATE-py37
2.8 2.8.4 GPU (CUDA 11.3) 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-8-cu113-VERSION_DATE-py37
2.6 (py39) 2.6.5 僅 CPU 2023 年 9 月 1 日 2024 年 9 月 1 日 tf-2-6-cpu-VERSION_DATE-py39
2.6 (py39) 2.6.5 GPU (CUDA 11.3) 2023 年 9 月 1 日 2024 年 9 月 1 日 tf-2-6-cu110-VERSION_DATE-py39
2.6 (py37) 2.6.5 僅 CPU 2023 年 9 月 1 日 2024 年 9 月 1 日 tf-2-6-cpu-VERSION_DATE-py37
2.6 (py37) 2.6.5 GPU (CUDA 11.3) 2023 年 9 月 1 日 2024 年 9 月 1 日 tf-2-6-cu110-VERSION_DATE-py37
2.3 2.3.4 僅 CPU 2023 年 9 月 1 日 2024 年 9 月 1 日 tf-2-3-cpu
2.3 2.3.4 GPU (CUDA 11.3) 2023 年 9 月 1 日 2024 年 9 月 1 日 tf-2-3-cu110-VERSION_DATE

PyTorch 版本

ML 架構版本 目前的修補程式版本 支援的加速器 修補和支援服務終止日期 結束日期 映像檔系列名稱
2.3 (Python 3.10) 2.3.0 CUDA 12.1 2025 年 4 月 24 日 2026 年 4 月 24 日 pytorch-2-3-VERSION_DATE-py310
2.2 (Python 3.10) 2.2.0 CUDA 12.1 2025 年 1 月 30 日 2026 年 1 月 30 日 pytorch-2-2-VERSION_DATE-py310
2.1 (Python 3.10) 2.1.0 CUDA 12.1 2024 年 10 月 4 日 2025 年 10 月 4 日 pytorch-2-1-VERSION_DATE-py310
2.0 (Python 3.10) 2.0.0 CUDA 11.8 2024 年 3 月 15 日 2025 年 3 月 15 日 pytorch-2-0-VERSION_DATE-py310
1.13 (Python 3.10) 1.13.1 CUDA 11.3 2023 年 12 月 8 日 2024 年 12 月 8 日 pytorch-1-13-VERSION_DATE-py310
1.13 1.13.1 CUDA 11.3 2023 年 12 月 8 日 2024 年 12 月 8 日 pytorch-1-13-VERSION_DATE-py37
1.12 1.12.1 CUDA 11.3 2023 年 9 月 1 日 2024 年 9 月 1 日 pytorch-1-12-VERSION_DATE-py310

使用 gcloud CLI 列出所有可用版本

您也可以使用下列 gcloud CLI 指令列出所有可用的深度學習 VM 映像檔：

gcloud compute images list \
    --project deeplearning-platform-release \
    --format="value(NAME)" \
    --no-standard-images

映像檔系列的名稱格式為 FRAMEWORK-VERSION-CUDA_VERSION(-experimental)，其中 FRAMEWORK 為目標程式庫，VERSION 為架構版本，CUDA_VERSION 為 CUDA 堆疊的版本 (如果有的話)。

舉例來說，tf-ent-2-13-cu113 系列的映像檔包含 TensorFlow Enterprise 2.13 和 CUDA 11.3。

後續步驟

使用 Cloud Marketplace 或使用指令列建立新的深度學習 VM 執行個體。