Google Cloud fournit des images contenant des systèmes d'exploitation, des frameworks, des bibliothèques et des pilotes courants. Google Cloud optimise ces images préconfigurées pour prendre en charge vos charges de travail d'intelligence artificielle (IA) et de machine learning (ML).
Ce document présente les images que vous utilisez pour déployer, gérer et exécuter des charges de travail dans votre environnement AI Hypercomputer.
Comprendre les catégories d'images
Les images sont regroupées dans les catégories suivantes :
- Frameworks et bibliothèques d'IA et de ML : images Docker préconfigurées avec des binaires pour les frameworks et bibliothèques de ML afin de simplifier la création, l'entraînement et l'utilisation de modèles de ML. Sur AI Hypercomputer, vous pouvez utiliser des images Docker Deep Learning Software Layer (DLSL) pour exécuter des modèles de ML tels que NeMO et MaxText sur un cluster Google Kubernetes Engine (GKE).
- Déploiement et orchestration de clusters : images de système d'exploitation (OS) que vous utilisez pour déployer et gérer l'infrastructure optimisée pour les performances sur laquelle s'exécutent vos charges de travail d'IA. L'image à utiliser dépend de l'infrastructure de GPU que vous utilisez (GPU en cluster ou GPU généraux) et de la manière dont vous prévoyez de déployer vos clusters :
- Images de nœuds GKE : vous pouvez utiliser ces images pour déployer des clusters GKE.
- Images d'OS Slurm : Cluster Toolkit crée et déploie ces images, qui installent le logiciel système nécessaire pour les nœuds Slurm.
- Images d'OS d'accélérateur : vous pouvez utiliser ces images pour créer des instances Compute Engine individuelles ou des groupes d'instances Compute Engine.
Frameworks et bibliothèques d'IA et de ML
Google Cloud fournit des images Docker qui empaquettent des frameworks et des bibliothèques d'IA et de ML populaires. Ces images fournissent les logiciels nécessaires pour simplifier le développement, l'entraînement et le déploiement de modèles sur vos clusters optimisés pour l'IA exécutés sur AI Hypercomputer.
Images JAX AI
Les images d'IA JAX (JAII, anciennement appelées images JAX Stable Stack) pour les TPU et les GPUGoogle Cloud proposent des images Docker prêtes à l'emploi qui contiennent le framework JAX, une collection sélectionnée de bibliothèques compatibles et des paramètres pour l'infrastructure Google Cloud . Les images TPU JAX AI sont préconfigurées avec les bibliothèques JAX et les bibliothèques TPU. Les images de GPU JAX AI sont préconfigurées avec les bibliothèques JAX et les bibliothèques CUDA/NVIDIA appropriées.
La couche matérielle
Les images d'IA JAX se trouvent au-dessus de la couche matérielle, qui se compose des accélérateurs (TPU ou GPU) et de leurs VM associées. Pour utiliser une image IA JAX, vous devez provisionner des VM TPU ou GPU. Pour ce faire, vous pouvez utiliser l'API TPU, l'API Compute Engine ou l'API GKE.
La couche de framework
La couche de framework fournit des outils et des bibliothèques pour créer des charges de travail de ML. Les images IA JAX fournissent une base préconfigurée pour les charges de travail de ML basées sur JAX, y compris la bibliothèque JAX principale et d'autres dépendances essentielles, afin de garantir une expérience de développement cohérente et performante.
La couche LibTPU de l'image IA JAX est spécifiquement conçue et fournie avec la version JAX correspondante. L'utilisation d'une autre version de JAX peut entraîner un comportement inattendu ou des erreurs.
La couche CUDA de l'image IA JAX inclut des composants gérés par NVIDIA, tels que l'image de deep learning NGC CUDA, utilisée comme image de base de l'image d'entraînement GPU. L'image GPU contient également Transformer Engine, une bibliothèque NVIDIA personnalisée permettant d'accélérer les modèles Transformer sur les GPU NVIDIA.
Des packages supplémentaires spécifiques à l'application, au-delà de ceux fournis dans l'image IA JAX, peuvent être requis pour votre charge de travail de machine learning spécifique.
Bibliothèques dans les images IA de JAX :
Images TPU
| Fonctionnalité | Nom du package |
|---|---|
| Bibliothèques ou composants principaux | |
| Framework de ML | JAX et JAX lib |
| LibTPU | Version stable de Cloud LibTPU |
| Bibliothèque de couches/modèles | Flax |
| Points de contrôle | Orbax |
| Quantification | Qwix |
| Optimiseurs | Optax |
| Noyaux personnalisés | Tokamax |
| Configuration | Fiddle |
| Pipeline d'entrée | tf.data |
| Profilage, débogage | TensorBoard |
| Utils | Utilitaires de boucle courants |
| Outils spécifiques au cloud | |
| Google Cloud | |
| Diagnostic | |
Images GPU
| Fonctionnalité | Nom du package |
|---|---|
| Bibliothèques ou composants principaux | |
| Framework de ML | JAX et JAX lib |
| Bibliothèques NVIDIA CUDA | Image CUDA DL |
| Bibliothèque de couches/modèles | Flax |
| Points de contrôle | Orbax |
| Optimiseurs | |
| Configuration | Fiddle |
| Pipeline d'entrée | |
| Profilage, débogage | TensorBoard |
| Utils |
Utilitaires de boucle courants Mesure du débit utile ML Collections ML |
| Outils spécifiques au cloud | |
| Google Cloud | |
| Diagnostic | Cloud Accelerator Diagnostics |
Images IA JAX actuelles
Images TPU
| Image JAX AI | Date de disponibilité |
|---|---|
| JAX 0.9.0 Révision 1 | 2026-02-03 |
| JAX 0.8.2 Révision 1 | 2026-01-14 |
| JAX 0.8.1 Révision 1 | 2025-11-21 |
| JAX 0.8.0 Révision 1 | 2025-10-28 |
| JAX 0.7.2 Révision 1 | 2025-09-30 |
| JAX 0.7.0, révision 1 | 2025-07-29 |
| JAX 0.6.1 Révision 1 | 2025-06-05 |
| JAX 0.5.2 Révision 2 | 2025-04-25 |
| JAX 0.5.2 Révision 1 | 2025-03-17 |
| JAX 0.4.37 Révision 1 | 2024-12-12 |
| JAX 0.4.35, révision 1 | 2024-10-30 |
Images GPU
| Image JAX AI | Date de disponibilité |
|---|---|
| JAX 0.7.2 avec CUDA DL 25.06 révision 1 | 2025-09-30 |
| JAX 0.6.1 avec CUDA DL 25.03 révision 1 | 2025-06-05 |
| JAX 0.5.1 avec CUDA DL 25.02 révision 1 | 2025-03-17 |
Couche application
Vous implémentez vos charges de travail de ML spécifiques dans la couche d'application qui se trouve au-dessus de la couche de framework. La couche d'application contient le code, les modèles et la logique spécifiques à votre application, tous créés à l'aide des outils et des bibliothèques fournis par la couche de framework.
Bien que cette image fournisse une base robuste et bien testée pour les charges de travail d'IA basées sur JAX, vous devrez peut-être ajouter des dépendances spécifiques à l'application. Dans ce cas, nous vous recommandons de procéder de manière à minimiser les interférences avec la couche de base préconfigurée, qui inclut JAX et ses dépendances principales. L'introduction de dépendances au niveau de l'application qui remplacent les dépendances existantes ou entrent en conflit avec celles-ci peut entraîner des effets secondaires tels que :
- Comportements inattendus : vos charges de travail de ML peuvent présenter un comportement différent de celui que vous avez observé avant d'introduire des dépendances supplémentaires dans l'image IA JAX.
- Régressions des performances : le remplacement des bibliothèques optimisées liées à JAX peut avoir un impact négatif sur les avantages en termes de performances fournis par l'image IA JAX.
- Problèmes de stabilité : les conflits entre les dépendances que vous avez ajoutées et les dépendances JAX de base peuvent entraîner une instabilité et des erreurs d'exécution dans votre application.
À quelle fréquence les mises à jour sont-elles proposées ?
Dans un premier temps, les images d'IA JAX sont fournies tous les trimestres, avec pour objectif à court terme un calendrier de publication synchronisé avec chaque version de JAX. Cela vous permet de bénéficier des dernières fonctionnalités et améliorations dès qu'elles sont disponibles.
Assistance
Chaque version d'image IA JAX respecte un cycle de vie d'assistance limité dans le temps. Pendant ce délai, nous traitons des catégories spécifiques de demandes de modification d'images IA JAX existantes :
- Failles de sécurité : nous accordons la priorité à la résolution des failles de sécurité découvertes dans les images de base ou les dépendances des images Docker JAX Stable Stack. Des images mises à jour seront publiées pour atténuer les risques potentiels.
- Modifications destructives : en cas de modifications destructives importantes dans les bibliothèques ou frameworks sous-jacents utilisés par l'image IA JAX, Google Cloudévalue et implémente les mises à jour nécessaires pour maintenir la compatibilité. Cela peut impliquer de recréer des images Docker avec des dépendances mises à jour.
Lorsqu'une faille de sécurité ou un bug est détecté dans une bibliothèque d'une JAII, nous intégrons la bibliothèque mise à jour dans la JAII, en épinglant toutes les autres versions de la bibliothèque pour maintenir la stabilité globale. Cela entraîne la création d'une révision JAII.
Modification minimale pour les révisions :
Si un bug est détecté dans le package "X" de JAX-0.4.30-rev1, nous mettrons à jour "X" vers sa prochaine version (par exemple, v2.0) tout en essayant de ne pas modifier les autres packages. Cela donne lieu à une nouvelle révision : JAX-0.4.30-rev2, qui sera publiée dès que possible.
Images Docker de la couche logicielle de deep learning (DLSL)
Ces images empaquettent NVIDIA CUDA, NCCL, un framework de ML et un modèle. Elles fournissent un environnement prêt à l'emploi pour les charges de travail de deep learning. Ces images Docker DLSL prédéfinies fonctionnent parfaitement avec vos clusters GKE, car nous les testons et les vérifions lors de tests internes de reproductibilité et de régression.
Les images Docker DLSL offrent les avantages suivants :
- Logiciel préconfiguré : les images Docker DLSL répliquent la configuration utilisée par les tests de reproductibilité et de régression internes. Ces images fournissent un environnement préconfiguré, testé et optimisé, ce qui permet d'économiser beaucoup de temps et d'efforts lors de l'installation et de la configuration.
- Gestion des versions : les images Docker DLSL sont fréquemment mises à jour. Ces mises à jour de version fournissent la dernière version stable des frameworks et des pilotes, et incluent également des correctifs de sécurité.
- Compatibilité de l'infrastructure : les images Docker DLSL sont conçues et testées pour fonctionner de manière fluide avec les types de machines GPU disponibles sur AI Hypercomputer.
- Instructions de démarrage rapide : certaines images Docker DLSL sont accompagnées d'exemples de recettes qui vous montrent comment démarrer vos charges de travail qui utilisent les images préconfigurées.
Plug-in NeMo + PyTorch + NCCL gIB
Ces images Docker sont basées sur l'image NVIDIA NeMo NGC. Elles contiennent le plug-in gIB NCCL de Google et regroupent tous les binaires NCCL requis pour exécuter des charges de travail sur chaque machine d'accélérateur compatible. Ces images incluent également des outils Google Cloudtels que gcsfuse et la gcloud CLI pour déployer des charges de travail sur Google Kubernetes Engine.
| Version de l'image DLSL | Version des dépendances | Série de machines | Date de disponibilité | Date de fin d'assistance | Nom de l'image DLSL |
|---|---|---|---|---|---|
nemo25.04-gib1.0.6-A4 |
|
A4 | 3 juillet 2025 | 3 juillet 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo25.04-gib1.0.6-A4
|
nemo25.04-gib1.0.6-A3U |
|
A3 Ultra | 3 juillet 2025 | 3 juillet 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo25.04-gib1.0.6-A3U
|
nemo25.02-gib1.0.5-A4 |
|
A4 | 14 mars 2025 | 14 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo25.02-gib1.0.5-A4 |
nemo24.07-gib1.0.2-A3U |
|
A3 Ultra | 2 février 2025 | 2 février 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo24.07-gib1.0.2-A3U |
nemo24.07-gib1.0.3-A3U |
|
A3 Ultra | 2 février 2025 | 2 février 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo24.07-gib1.0.3-A3U |
nemo24.12-gib1.0.3-A3U |
|
A3 Ultra | 7 février 2025 | 7 février 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo24.12-gib1.0.3-A3U |
nemo24.07-tcpx1.0.5-A3Mega |
|
A3 Mega | 12 mars 2025 | 12 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo24.07-tcpx1.0.5-A3Mega |
nemo24.07-tcpx1.0.5-A3High |
|
A3 High (8 GPU) | 12 mars 2025 | 12 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo-nccl:nemo24.07-tcpx1.0.5-A3High |
NeMo + PyTorch
Cette image Docker est basée sur l'image NVIDIA NeMo NGC et inclut des outils Google Cloud tels que gcsfuse et la gcloud CLI pour déployer des charges de travail sur Google Kubernetes Engine.
| Version de l'image DLSL | Version des dépendances | Série de machines | Date de disponibilité | Date de fin d'assistance | Nom de l'image DLSL |
|---|---|---|---|---|---|
nemo24.07--A3U |
NeMo NGC:24.07 |
A3 Ultra | 19 décembre 2024 | 19 décembre 2025 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo:nemo24.07-A3U |
nemo24.07-tcpx1.0.5-A3Mega |
|
A3 Mega | 12 mars 2025 | 12 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo:nemo24.07-tcpx1.0.5-A3Mega |
nemo24.07-tcpx1.0.5-A3High |
|
A3 High (8 GPU) | 12 mars 2025 | 12 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/pytorch-gpu-nemo:nemo24.07-tcpx1.0.5-A3High |
Boîte à outils MaxText + JAX
Cette image Docker est basée sur l'image de la boîte à outils NVIDIA JAX et inclut des outilsGoogle Cloud tels que gcsfuse et la gcloud CLI pour déployer des charges de travail sur Google Kubernetes Engine.
| Version de l'image DLSL | Version des dépendances | Série de machines | Date de disponibilité | Date de fin d'assistance | Nom de l'image DLSL |
|---|---|---|---|---|---|
toolbox-maxtext-2025-01-10-A3U |
JAX toolbox: maxtext-2025-01-10 |
A3 Ultra | 11 mars 2025 | 11 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/jax-maxtext-gpu:toolbox-maxtext-2025-01-10-A3U |
jax0.5.1-cu12-A3Mega |
|
A3 Mega | 17 mars 2025 | 17 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/jax-gpu-maxtext:jax0.5.1-cu12-A3Mega |
jax0.5.1-cu12-A3High |
|
A3 High (8 GPU) | 17 mars 2025 | 17 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/jax-gpu-maxtext:jax0.5.1-cu12-A3High |
MaxText + JAX Stable Stack
Cette image Docker est basée sur la pile stable JAX et MaxText. Cette image inclut également des dépendances telles que dnsutils pour l'exécution de charges de travail sur Google Kubernetes Engine.
| Version de l'image DLSL | Version des dépendances | Série de machines | Date de disponibilité | Date de fin d'assistance | Nom de l'image DLSL |
|---|---|---|---|---|---|
jax-maxtext-gpu:jax0.5.1-cuda_dl25.02-rev1-maxtext-20150317 |
|
A4 | 17 mars 2025 | 17 mars 2026 | us-central1-docker.pkg.dev/deeplearning-images/reproducibility/jax-maxtext-gpu:jax0.5.1-cuda_dl25.02-rev1-maxtext-20150317 |
Déploiement et orchestration de clusters
Les images d'OS incluent tous les composants logiciels nécessaires pour déployer un système d'exploitation sur une instance de calcul ou un nœud GKE. Le système d'exploitation gère les ressources matérielles sous-jacentes, telles que les accélérateurs et la mise en réseau. Cela fournit les ressources de calcul pour votre charge de travail d'IA.
Images de nœuds GKE
GKE déploie des clusters à l'aide d'images de nœuds. Ces images de nœuds sont disponibles pour différents systèmes d'exploitation, tels que Container-Optimized OS, Ubuntu et Windows Server. Les images de nœud Container-Optimized OS avec containerd (cos_containerd) dont vous avez besoin pour déployer des clusters GKE Autopilot incluent des optimisations pour prendre en charge vos charges de travail d'IA et de ML.
Pour en savoir plus sur ces images de nœud, consultez Images de nœud.
Images d'OS Slurm
Les clusters Slurm déploient des nœuds de calcul et de contrôleur en tant qu'instances de calcul sur Compute Engine.
Pour provisionner des clusters Slurm optimisés pour l'IA, vous devez utiliser Cluster Toolkit. Par défaut, les plans de cluster pour les clusters A4X, A4 et A3 Ultra déploient des instances de calcul qui utilisent des Advanced Compute Images prédéfinies. Pour les autres séries de machines ou lors de la création d'images personnalisées Slurm, le plan de cluster crée automatiquement une image d'OS personnalisée lors du déploiement, qui installe le logiciel système requis pour la gestion des clusters et des charges de travail sur les nœuds Slurm. Vous pouvez modifier les plans par défaut avant de les déployer pour personnaliser les logiciels inclus dans vos images.
La section suivante récapitule les logiciels que le plan de cluster installe sur vos nœuds Slurm A4, A3 Ultra, A3 Mega et A3 High (8 GPU). Les plans de cluster étendent les images de l'OS d'accélérateur Ubuntu LTS.
A4X Max
Le plan A4X Max disponible sur GitHub inclut par défaut les logiciels suivants :
- Ubuntu 24.04 LTS
- Slurm : version 25.05.2
- Les dépendances Slurm suivantes :
mungemariadblibjwtlmod
- Open MPI : version 5.0.x
- Client et serveur NFS
- Pilotes NVIDIA série 580
- NVIDIA Enroot
- NVIDIA Pyxis
- Les outils NVIDIA suivants :
- Data Center GPU Manager (
dcgmi) nvidia-container-toolkit: version 1.17.7nvidia-imexnvidia-fabricmanager
- Data Center GPU Manager (
- CUDA Toolkit : version 13.0
- Plug-in NCCL pour A4X Max (
nccl-gib-a4x-max-arm64) - Pilote DOCA-OFED
- Agent Ops
- Cloud Storage FUSE
A4X
Le plan A4X disponible sur GitHub utilise par défaut des Advanced Compute Images prédéfinies. La famille d'images aci-gpu-u2404-slurm-2511-cuda-130-nvidia-580-arm64 inclut par défaut les logiciels et la configuration suivants :
- Ubuntu 24.04 LTS (Arm64)
- Slurm : version 25.11 et tous les packages dépendants
- Pilotes NVIDIA série 580
- CUDA Toolkit : version 13.0
- NVIDIA Container Toolkit, Enroot et Pyxis
- Data Center GPU Manager (
dcgmi) et Fabric Manager - Plug-in NCCL/gIB
- Agent Ops
- Cloud Storage FUSE
Pour afficher la liste complète des outils préinstallés et les détails du fichier manifeste, consultez Présentation d'Advanced Compute Images.
A4
Le plan A4 disponible sur GitHub utilise par défaut des Advanced Compute Images prédéfinies. La famille d'images aci-gpu-u2404-slurm-2511-cuda-130-nvidia-580-amd64 inclut par défaut les logiciels et la configuration suivants :
- Ubuntu 24.04 LTS (x86_64)
- Slurm : version 25.11 et tous les packages dépendants
- Pilotes NVIDIA série 580
- CUDA Toolkit : version 13.0
- NVIDIA Container Toolkit, Enroot et Pyxis
- Data Center GPU Manager (
dcgmi) et Fabric Manager - Plug-in NCCL/gIB
- Compatibilité avec Infiniband et la mise en réseau multi-file d'attente
- Agent Ops
- Cloud Storage FUSE
Pour afficher la liste complète des outils préinstallés et les détails du fichier manifeste, consultez Présentation d'Advanced Compute Images.
A3 Ultra
Le plan A3 Ultra disponible sur GitHub utilise par défaut des Advanced Compute Images prédéfinies. La famille d'images aci-gpu-u2404-slurm-2511-cuda-130-nvidia-580-amd64 inclut par défaut les logiciels et la configuration suivants :
- Ubuntu 24.04 LTS (x86_64)
- Slurm : version 25.11 et tous les packages dépendants
- Pilotes NVIDIA série 580
- CUDA Toolkit : version 13.0
- NVIDIA Container Toolkit, Enroot et Pyxis
- Data Center GPU Manager (
dcgmi) et Fabric Manager - Plug-in NCCL/gIB
- Compatibilité avec Infiniband et la mise en réseau multi-file d'attente
- Agent Ops
- Cloud Storage FUSE
Pour afficher la liste complète des outils préinstallés et les détails du fichier manifeste, consultez Présentation d'Advanced Compute Images.
A3 Mega
Le plan A3 Mega disponible sur GitHub inclut par défaut les logiciels suivants :
- Ubuntu 22.04 LTS
- Slurm : version 24.11.2
- Les dépendances Slurm suivantes :
mungemariadblibjwtlmod
- Open MPI : dernière version de 4.1.x
- PMIx : version 4.2.9
- Client et serveur NFS
- Pilotes NVIDIA de la série 550
- Environnement d'exécution de conteneur NVIDIA enroot : version 3.4.1
- NVIDIA pyxis
- Les outils NVIDIA suivants :
- Data Center GPU Manager (
dcgmi) libnvidia-cfg1-550-serverlibnvidia-nscq-550nvidia-compute-utils-550-servernsight-computensight-systems
- Data Center GPU Manager (
- CUDA Toolkit : version 12.4
- Compatibilité avec Infiniband, y compris
ibverbs-utils - TCPXO pour A3 Mega : programme d'installation spécifique pour NCCL TCPXO et la pile réseau de 1,6 Tbit/s
- Agent Ops
- Cloud Storage FUSE
A3 High (8 GPU)
Le modèle A3 High (8 GPU) disponible sur GitHub inclut par défaut les logiciels suivants :
- Ubuntu 22.04 LTS
- Slurm : version 24.11.2
- Les dépendances Slurm suivantes :
mungemariadblibjwtlmod
- Open MPI : dernière version de 4.1.x
- PMIx : version 4.2.9
- Client et serveur NFS
- Pilotes NVIDIA des séries 535 ou 550
- Environnement d'exécution de conteneur NVIDIA enroot : version 3.4.1
- NVIDIA pyxis
- Les outils NVIDIA suivants :
- Data Center GPU Manager (
dcgmi) libnvidia-cfg1-535/550-serverlibnvidia-nscq-535/550nvidia-compute-utils-535/550-servernsight-computensight-systems
- Data Center GPU Manager (
- CUDA Toolkit : version 12.2 ou 12.4
- Compatibilité avec Infiniband, y compris
ibverbs-utils - TCPX pour A3 High (8 GPU) : programme d'installation spécifique pour NCCL TCPX (GPUDirect-TCPX) et la pile réseau de 800 Gbit/s (4 cartes d'interface réseau)
- Agent Ops
- Cloud Storage FUSE
Images de l'OS pour les accélérateurs
AI Hypercomputer vous permet de provisionner des instances de calcul individuelles ou des groupes d'instances de calcul. Si vous souhaitez créer ces instances, vous devez spécifier une image d'OS lors de la création de l'instance.
Google Cloud propose une suite d'images d'OS pour la création d'instances. Google Cloud propose également un ensemble spécialisé d'images d'OS pour les accélérateurs pour les instances optimisées pour l'IA. Ces images d'OS avec accélérateur incluent des pilotes principaux pour les fonctionnalités de GPU et de mise en réseau, tels que les pilotes NVIDIA, les pilotes Mellanox et leurs dépendances.
Pour en savoir plus sur chaque OS, consultez la page Détails des systèmes d'exploitation de la documentation Compute Engine.
Les images de l'OS pour les accélérateurs sont disponibles pour les systèmes d'exploitation Rocky Linux et Ubuntu LTS.
Accélérateur Rocky Linux
Les images d'OS de l'accélérateur Rocky Linux suivantes sont disponibles pour chaque série de machines :
| Infrastructure | Famille d'images | Architecture | Série de machines | Projet de l'image |
|---|---|---|---|---|
| GPU en cluster | rocky-linux-10-optimized-gcp-nvidia-580 |
x86 | A4, A3 Ultra | rocky-linux-accelerator-cloud |
rocky-linux-10-optimized-gcp-nvidia-580-arm64 |
Arm | A4X | rocky-linux-accelerator-cloud |
|
rocky-linux-9-optimized-gcp-nvidia-580 |
x86 | A4, A3 Ultra | rocky-linux-accelerator-cloud |
|
rocky-linux-9-optimized-gcp-nvidia-580-arm64 |
Arm | A4X | rocky-linux-accelerator-cloud |
|
rocky-linux-8-optimized-gcp-nvidia-580 |
x86 | A4, A3 Ultra | rocky-linux-accelerator-cloud |
|
rocky-linux-8-optimized-gcp-nvidia-580-arm64 |
Arm | A4X | rocky-linux-accelerator-cloud |
Accélérateur Ubuntu LTS
Les images de l'OS d'accélérateur Ubuntu LTS suivantes sont disponibles pour chaque série de machines :
| Infrastructure | Famille d'images | Architecture | Série de machines | Projet de l'image |
|---|---|---|---|---|
| GPU en cluster | ubuntu-accelerator-2404-arm64-with-nvidia-580 |
Arm | A4X | ubuntu-os-accelerator-images |
ubuntu-accelerator-2404-amd64-with-nvidia-580 |
x86 | A4, A3 Ultra | ubuntu-os-accelerator-images |
|
ubuntu-accelerator-2204-arm64-with-nvidia-580 |
Arm | A4X | ubuntu-os-accelerator-images |
|
ubuntu-accelerator-2204-amd64-with-nvidia-580 |
x86 | A4, A3 Ultra | ubuntu-os-accelerator-images |
Étapes suivantes
- Pour savoir comment acquérir de la capacité pour l'image que vous avez choisie, consultez Options de consommation.
- Pour examiner le processus et les choix à faire lorsque vous démarrez un cluster, consultez Planifier et créer votre infrastructure d'IA.