选择虚拟机映像

用户管理的笔记本实例是已启用 JupyterLab 笔记本环境且已可供使用的 Deep Learning VM Image 实例。您可以针对自己所选择的框架和处理器使用特定的用户管理的笔记本映像。如需查找所需的映像，请参阅下表。

确定映像系列

如需确保实例使用受支持的映像系列，请通过引用名称中包含 -notebooks 的映像系列来创建实例。下表按框架类型列出了映像系列的默认版本。 如果您需要此处未显示的特定框架版本，请参阅支持的框架版本。

框架 处理器 映像系列名称
基本 GPU common-cu110-notebooks
common-cu113-notebooks
common-cu118-notebooks
common-cu121-notebooks
CPU common-cpu-notebooks
TensorFlow 企业版 GPU tf-ent-2-13-cu113-notebooks
PyTorch GPU pytorch-2-2-cu121-notebooks
R CPU（实验性） r-4-1-cpu-experimental-notebooks

选择操作系统

Debian 11 是大多数框架的默认操作系统。Ubuntu 22.04 映像可用于某些框架。Ubuntu 22.04 映像由映像系列名称中的 -ubuntu-2204 后缀表示（请参阅列出所有可用的版本）。Debian 10 和 Debian 9 映像已弃用。

PyTorch 和 TensorFlow 企业版映像系列均支持 A100 GPU 加速器。

TensorFlow 企业版映像

TensorFlow 企业版映像系列提供经过 Google Cloud 优化的 TensorFlow 发行版。如需详细了解 TensorFlow 企业版（包括支持的版本），请参阅 TensorFlow 企业版概览。

实验映像

映像系列表显示了实验性用户管理的笔记本映像系列。 实验性映像受到了最大程度的支持，并且在框架每次发布新版本时可能不会刷新。

指定映像版本

使用映像系列名称创建用户管理的笔记本实例时，您将获得该版本框架的最新映像。例如，如果您根据系列名称 tf-ent-2-13-cu113-notebooks 创建用户管理的笔记本实例，则特定映像名称可能类似于 tf-ent-2-13-cu113-notebooks-v20230716。

如需根据完全相同的映像创建多个用户管理的笔记本实例，请使用映像名称而不是映像系列名称。

如需确定最新映像的确切名称，请在首选终端或 Cloud Shell 中使用 Google Cloud CLI 运行以下命令。将 IMAGE_FAMILY 替换为您要获取其最新版本号的映像系列名称。

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

在输出中，查找 name 字段，并在创建实例时使用该映像名称。

支持的框架版本

Vertex AI 根据时间表支持每个框架版本，以最大限度地减少安全漏洞。查看 Vertex AI 框架支持政策，了解支持终止日期和可用性终止日期的影响。

如果您需要特定的框架或 CUDA 版本，请参阅下表。如需查找映像的特定 VERSION_DATE，请参阅列出可用版本。

基础版本

机器学习框架版本 当前补丁程序版本 支持的加速器 补丁程序和支持日期结束 提供终止日期 映像系列名称
Base-CPU (Python 3.10 / Debian 11) 不适用 (N/A) 仅 CPU 2024 年 7 月 1 日 2025 年 7 月 1 日 common-cpu-VERSION_DATE-debian-11
Base-cu122 (Python 3.10) CUDA 12.2 GPU (CUDA 12.2) 2025 年 1 月 8 日 2026 年 1 月 8 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 18 日 2024 年 9 月 18 日 common-cu113-VERSION_DATE-py37
Base-cu110 (Python 3.7) CUDA 11.0 GPU (CUDA 11.0) 2023 年 9 月 18 日 2024 年 9 月 18 日 common-cu110-VERSION_DATE-py37
Base-CPU (Python 3.7) 不适用 (N/A) 仅 CPU 2023 年 9 月 18 日 2024 年 9 月 18 日 common-cpu-VERSION_DATE-debian-10

TensorFlow 版本

机器学习框架版本 当前补丁程序版本 支持的加速器 补丁程序和支持日期结束 提供终止日期 映像系列名称
2.17 (Python 3.10) 2.17.0 仅 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 仅 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 仅 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 12.1) 2024 年 11 月 14 日 2025 年 11 月 14 日 tf-2-15-cu121-VERSION_DATE-py310
2.14 (Python 3.10) 2.14.0 仅 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 仅 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 仅 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 1 月 18 日 2025 年 1 月 18 日 tf-2-12-cu113-VERSION_DATE-py310
2.11 (Python 3.10) 2.11.0 仅 CPU 2023 年 11 月 15 日 2024 年 11 月 15 日 tf-2-11-cpu-VERSION_DATE-py310
2.11 (Python 3.10) 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-py310
2.11 2.11.0 仅 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 仅 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 仅 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 仅 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 仅 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 仅 CPU 2023 年 9 月 18 日 2024 年 9 月 18 日 tf-2-6-cpu-VERSION_DATE-py37
2.6 (py37) 2.6.5 GPU (CUDA 11.3) 2023 年 9 月 18 日 2024 年 9 月 18 日 tf-2-6-cu110-VERSION_DATE-py37
2.3 2.3.4 仅 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

机器学习框架版本 当前补丁程序版本 支持的加速器 补丁程序和支持日期结束 提供终止日期 映像系列名称
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

您还可以使用以下 gcloud CLI 命令列出所有可用的 Vertex AI 映像：

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

映像系列名称采用以下格式列出：

FRAMEWORK-VERSION-CUDA_VERSION(-experimental)-notebooks

  • FRAMEWORK：目标库
  • VERSION：框架版本
  • CUDA_VERSION：CUDA 堆栈（如果存在）的版本。

例如，来自 tf-ent-2-13-cu113-notebooks 系列的映像具有 TensorFlow 企业版 2.13 和 CUDA 11.3。

后续步骤