Läuft in ~30 s
Vorab zwischengespeichertes Image, Ports zugeordnet, TLS terminiert – der Stack läuft, bevor Sie diesen Satz zu Ende gelesen haben.
Template · Basis & Frameworks · CUDA 13
RAPIDS auf einer Cloud-GPU starten, in 30 Sekunden
GPU-beschleunigte Data Science – cuDF, cuML, cuGraph in einem Notebook. RAPIDS macht aus pandas-, scikit-learn- und NetworkX-Workflows GPU-Code: cuDF, cuML, cuGraph und Dask-CUDA in einem JupyterLab-Notebook. Laden Sie einen 50-GB-Parquet-Datensatz in den GPU-Speicher und führen Sie ein Groupby in Millisekunden aus – dann stoppen Sie die Instanz und zahlen nur für die genutzten Minuten. Ab $0,140/Std. auf einer unterbrechbaren RTX A6000.
Template ist kostenlos
Sie zahlen nur den GPU-Preis: NVIDIA RAPIDS auf einer RTX 4090 kostet $0,354/Std. On-Demand, $0,177/Std. unterbrechbar, abgerechnet pro Sekunde.
Volumes für Zustandsdaten
Modelle, Datensätze und Ausgaben liegen auf einem Datenträger für $0,08/GB/Monat; die Instanz bleibt austauschbar.
Standardmäßig privat
Dedizierte GPU, verschlüsselter Datenträger, Kryptozahlungen, ohne KYC, keine gespeicherten IPs – Jupyter und SSH hinter Ihren eigenen Zugangsdaten.
Beste GPUs für NVIDIA RAPIDS
Drei Preisstufen, mit denen dieses Template gut läuft – gut, besser, am besten. Jedes Modell im Katalog funktioniert; dies sind die besten Preis-Leistungs-Optionen.
| Stufe | GPU | VRAM | On-Demand | Unterbrechbar | Warum diese Karte | Aktion |
|---|---|---|---|---|---|---|
| Gut | RTX 4090 | 24 GB | $0,354 | $0,177 | 24 GB schnelles GDDR6X für DataFrames, die in pandas nicht mehr passen. | Bereitstellen |
| Besser | RTX A6000 | 48 GB | $0,281 | $0,140 | 48 GB mit ECC für größere Tabellen und Graphanalysen. | Bereitstellen |
| Am besten | A100 PCIE | 80 GB | $0,388 | $0,194 | 80 GB HBM2e – komplette Datensätze im Speicher, Dask-CUDA über mehrere Karten hinweg. | Bereitstellen |
Mehr VRAM benötigt? Der vollständige Katalog listet alle 83 Modelle mit Verfügbarkeit in Echtzeit auf; der VRAM-Leitfaden ordnet Modelle den passenden Karten zu.
NVIDIA RAPIDS über Konsole, CLI oder API bereitstellen
Wählen Sie das Template in der Bereitstellungsleiste der Konsole, oder erledigen Sie es per Skript:
- Konsole – nach GPU filtern, NVIDIA RAPIDS im Template-Auswahlmenü wählen, Datenträger und Umgebungsvariablen festlegen, bereitstellen.
- CLI – pip install lowcostgpu, dann der Befehl rechts. CLI-Referenz.
- API – POST /v1/instances mit "template": "nvidia-rapids". REST-Referenz.
- Eigenes Image – jede OCI-Referenz funktioniert ebenfalls; wir injizieren die NVIDIA-Runtime. Template-Dokumentation.
$ lowcostgpu launch --gpu rtx-4090 --template nvidia-rapids \
--disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (27.9s)
# NVIDIA RAPIDS · RTX 4090 · $0,354/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8888 (TLS)
$ lowcostgpu stop i-7a41c0e2 # billing ends this secondWas steckt im Template NVIDIA RAPIDS
| Image | rapidsai/notebooks |
|---|---|
| CUDA | CUDA 13 |
| Zugang | baut auch für ARM-Hosts · SSH-Shell · JupyterLab auf einem zugeordneten Port |
| Kategorie | Basis & Frameworks |
| Speicherplatz | NVMe-Instanzdatenträger (Größe bei Bereitstellung festgelegt) + optionale Netzwerk-Volumes |
| Abrechnung | Nur GPU-Preis, pro Sekunde – keine Template-Gebühr, keine Einrichtungsgebühr |
Weitere basis & frameworks Templates
NVIDIA CUDA auf einer Cloud-GPU — Das reine CUDA-Basis-Image – Treiber, Toolkit, SSH und Jupyter. Bauen Sie Ihren eigenen Stack darauf auf.
PyTorch auf einer Cloud-GPU — Der Standard für Training und Forschung: PyTorch 2.6, cuDNN, JupyterLab und SSH von Haus aus.
TensorFlow CUDA auf einer Cloud-GPU — TensorFlow mit GPU-Unterstützung, Keras und TensorBoard auf einem zugeordneten Port.- PyTorch NGC auf einer Cloud-GPU — NGC-optimierter PyTorch-Build von NVIDIA – abgestimmte Kernel für die Datacenter-Karten.
All-in-One-App-Studio auf einer Cloud-GPU — Ein Launcher, der die meistgenutzten KI-Anwendungen auf einem Desktop bündelt – auswählen und starten.- Alle 37 Templates
NVIDIA RAPIDS auf einer Cloud-GPU: FAQ
Umgebungsvariablen, Ports und benutzerdefinierte Images werden in der Template-Dokumentation behandelt.
Wie viel kostet es, NVIDIA RAPIDS auf einer Cloud-GPU auszuführen?
Nur der GPU-Preis – das Template ist kostenlos. Ab $0,140/Std. auf einer unterbrechbaren RTX A6000, $0,354/Std. On-Demand auf einer RTX 4090. Es wird pro Sekunde abgerechnet, eine Stunde Herumprobieren kostet also eine Stunde, nicht einen Tag. Datenträger kosten $0,08/GB/Monat.
Wie lange dauert der Start von NVIDIA RAPIDS?
Etwa 30 Sekunden nach dem Klick auf „Bereitstellen“: Das Image ist auf den Hosts vorab zwischengespeichert, Ports sind zugeordnet und TLS wird für Sie terminiert. Der Neustart einer gestoppten Instanz ist schneller, und Ihr Datenträger ist genauso, wie Sie ihn verlassen haben.
Kann ich meine Modelle und Ausgaben zwischen Sessions behalten?
Ja – fügen Sie bei der Bereitstellung einen Datenträger hinzu. Alles auf dem Datenträger übersteht das Löschen der Instanz und wird in Sekunden auf der nächsten Instanz in der Region eingebunden, für $0,08/GB/Monat. Der Instanzdatenträger selbst übersteht Stopp/Start, aber nicht das Löschen.
Kann ich RAPIDS auf mehrere GPUs skalieren?
Ja – Dask-CUDA ist vorinstalliert; stellen Sie eine 2×–8×-Maschine bereit, und ein LocalCUDACluster verteilt cuDF-Partitionen auf alle Karten des Hosts.