Avis et détails du produit Deep Learning VM Image

J'aime qu'il fonctionne instantanément avec mes projets qui utilisent PyTorch, donc je n'ai pas à perdre beaucoup de temps à tout configurer ou à migrer des choses. Avis collecté par et hébergé sur G2.com.

C'est assez coûteux, et il a aussi beaucoup de dépendances, ce qui peut le rendre plus difficile à gérer. Avis collecté par et hébergé sur G2.com.

J'adore utiliser Deep Learning VMSS pour l'entraînement et les inférences de modèles car il est livré avec tous les modèles pré-entraînés et les dépendances pré-installées, ce qui élimine les tracas de la configuration de l'environnement et me permet de commencer à travailler directement. J'apprécie que Deep Learning VMSS soit bien intégré avec Google Cloud Platform, ce qui facilite l'intégration avec nos VM GCP. Je trouve que Deep Learning VMSS fait gagner du temps en éliminant le besoin de réinstaller des dépendances personnalisées et de configurer des environnements, me permettant de me concentrer davantage sur les tâches liées aux affaires. J'aime les multiples options disponibles dans Deep Learning VMSS pour sélectionner les versions de Python et TensorFlow et la possibilité d'installer ou de réinstaller des dépendances, offrant flexibilité et assurant que je peux travailler avec les configurations spécifiques dont j'ai besoin. J'aime que le processus de configuration pour Deep Learning VMSS soit très facile, il suffit de sélectionner une image et de démarrer une machine virtuelle, ce qui simplifie considérablement le processus de démarrage. Avis collecté par et hébergé sur G2.com.

Je trouve que l'inclusion de nombreuses dépendances inutiles peut donner l'impression que l'image de la machine virtuelle est surchargée si ces dépendances ne sont pas pertinentes pour mes tâches. Cela entraîne un sentiment d'inefficacité car certaines dépendances pourraient ne pas être utilisées, ce qui n'est pas idéal pour mes projets spécifiques. Avis collecté par et hébergé sur G2.com.

Ce que j'aime :

Environnement instantané, prêt pour le GPU – Dès le départ, ces images VM incluent toute la pile ML : TensorFlow, PyTorch, scikit-learn, CUDA, cuDNN, NCCL, pilotes NVIDIA, JupyterLab, et plus encore

Large support de frameworks et de matériel – Choisissez entre des CPU ou des GPU, et des frameworks comme TensorFlow Enterprise, PyTorch, images HPC—il est facile d'adapter vos besoins matériels et logiciels

Intégration fluide avec Google Cloud – Des liens transparents vers BigQuery, Vertex AI, Cloud Storage, et d'autres services maintiennent mon flux de travail fluide et efficace

Temps de configuration nul – Le temps économisé en évitant les installations manuelles de pilotes, de frameworks, et de Jupyter est énorme—réduit les frictions et élimine les problèmes de compatibilité Avis collecté par et hébergé sur G2.com.

Bien que l'image VM Deep Learning soit puissante et économise beaucoup de temps de configuration, il y a certains domaines à améliorer :

Les coûts peuvent augmenter rapidement, surtout lors de l'utilisation d'instances GPU pour des tâches de longue durée ou en laissant accidentellement des VM en fonctionnement.

La personnalisation est parfois limitée ; installer des versions de packages très spécifiques ou des bibliothèques peu communes peut casser les dépendances préconfigurées.

Les temps de démarrage pour les grandes VM (surtout avec des GPU) peuvent parfois sembler lents par rapport à certains autres fournisseurs de cloud.

La gestion des limites de quota et de la disponibilité régionale des GPU interrompt parfois les flux de travail si la capacité est limitée dans une zone.

C'est un excellent outil pour les utilisateurs de Google Cloud, mais les utilisateurs venant d'AWS ou d'Azure pourraient rencontrer une courbe d'apprentissage avec le modèle de réseau et IAM de GCP. Avis collecté par et hébergé sur G2.com.

Ce que j'aime le plus dans l'image VM Deep Learning, c'est l'accès instantané à des frameworks ML préinstallés et optimisés avec support GPU, ce qui permet d'économiser beaucoup de temps de configuration et de commencer à entraîner des modèles immédiatement. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas à propos de l'image VM Deep Learning, c'est que les coûts peuvent augmenter rapidement avec l'utilisation du GPU si elle n'est pas gérée avec soin, surtout pour les expériences de longue durée. Une estimation intégrée de l'utilisation ou une option d'arrêt automatique serait utile. Avis collecté par et hébergé sur G2.com.

Il offre une large gamme de fonctionnalités, mais spécifiquement, j'ai aimé la fonctionnalité de chaque framework pour réaliser un projet d'apprentissage automatique ou d'intelligence artificielle comme Tensorflow, PyTorch, Keras, etc. Il offre également différents outils pour l'intégrer très facilement et efficacement. Comme cette plateforme est fournie par Google Cloud, il est assez évident qu'elle peut être utilisée et hébergée sur n'importe quelle plateforme. J'ai utilisé son essai gratuit pendant un mois où j'ai découvert ses avantages, ensuite il facture en fonction de ce que vous avez utilisé. Avis collecté par et hébergé sur G2.com.

La tarification basée sur l'utilisation vous amène parfois à devoir payer un montant élevé. De plus, cela nécessite une bonne quantité de données et une connexion Internet de qualité pour utiliser toutes ses fonctionnalités efficacement avec la latence/le délai le plus bas. Avis collecté par et hébergé sur G2.com.

La chose que j'aime le plus à propos de cette image est que la VM créée par Google avec cette image contient les bibliothèques les plus importantes, le kit d'outils Nvidia CUDA, tous ces outils sont déjà présents, pas de casse-tête pour les installer depuis le début. Une fois cette VM initialisée, le data scientist ou l'ingénieur ML peut directement commencer à entraîner ou à construire les modèles. Google a un très bon support client où ils nous aident à créer cette VM si nous sommes bloqués quelque part. En dehors de cela, nous avons également une bonne documentation étape par étape pour la configuration, et il est vraiment facile de configurer une nouvelle VM dans Google Cloud avec l'image Deep Learning VM. Avis collecté par et hébergé sur G2.com.

Pour l'instant, je n'ai pas de désaccords importants envers l'image VM DeepLearning. Mais une chose est que si le système d'exploitation Ubuntu est créé, il n'y aura pas de RDP, c'est le cas différent où vous pouvez créer un RDP du système d'exploitation Ubuntu, mais travailler via RDP sera vraiment lent, c'est le cas différent lorsque vous avez une bonne connexion Internet. Une autre préoccupation pour moi est le prix. Avis collecté par et hébergé sur G2.com.

J'aime vraiment l'environnement préconfiguré de l'image VM Deep Learning. Il offre également un environnement informatique de haute capacité qui permet de réaliser des tâches avec facilité. Avis collecté par et hébergé sur G2.com.

La configuration ne correspond pas toujours aux exigences spécifiques du projet. Dans de tels scénarios, cela prend du temps et des efforts pour configurer ces cas. Avis collecté par et hébergé sur G2.com.

Environnement prêt à l'emploi,

Optimisé pour la performance,

Intégration transparente,

Sécurité et mises à jour, Avis collecté par et hébergé sur G2.com.

Personnalisation limitée au début,

Sensibilité au coût,

Enchevêtrements de dépendance,

Nécessite une connexion Internet solide Avis collecté par et hébergé sur G2.com.

Les instances VM de Deep Learning sont préinstallées avec des frameworks ML populaires, des pilotes optimisés et des outils. Cela élimine les tracas d'installation et garantit la compatibilité. Avis collecté par et hébergé sur G2.com.

Il faut avoir de l'expérience avec GCP pour travailler sur ou configurer une VM de Deep Learning Google. Avis collecté par et hébergé sur G2.com.

Complète parfaitement des services comme Google AI Platform, BigQuery et Cloud Storage, rationalisant les flux de travail. Il est facile à mettre en œuvre, même pour les débutants, et l'image VM est conviviale avec une excellente documentation et des tutoriels. Certains utilisateurs peuvent trouver les allocations de ressources par défaut trop élevées pour des projets de plus petite envergure. Prend en charge les GPU et TPU NVIDIA pour un entraînement et une inférence de modèles plus rapides. Intégration parfaite des services comme Google AI Platform, BigQuery et Cloud Storage, rationalisant les flux de travail. Vous pouvez utiliser cela fréquemment même pour des tâches importantes. Avis collecté par et hébergé sur G2.com.

Non, puisque j'utilise, je n'ai rien trouvé de difficile à utiliser. Avis collecté par et hébergé sur G2.com.