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 12.1
TensorFlow auf einer Cloud-GPU starten, in 30 Sekunden
TensorFlow mit GPU-Unterstützung, Keras und TensorBoard auf einem zugeordneten Port. TensorFlow mit GPU-Unterstützung, Keras und TensorBoard auf eigenem Port. Ideal für Legacy-Trainingspipelines, TF-Serving-Experimente und Kurse, die auf Keras setzen. Speichern Sie Modelle auf einem Datenträger; TensorBoard-Logs überstehen Neustarts der Instanz. Ab $0,074/Std. auf einer unterbrechbaren RTX 3090.
Template ist kostenlos
Sie zahlen nur den GPU-Preis: TensorFlow CUDA auf einer RTX 3090 kostet $0,148/Std. On-Demand, $0,074/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 TensorFlow CUDA
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 3090 | 24 GB | $0,148 | $0,074 | Günstigste 24 GB für klassisches CNN/RNN-Training. | Bereitstellen |
| Besser | RTX 4090 | 24 GB | $0,354 | $0,177 | Ada-Tensor-Cores beschleunigen Keras-Modelle mit gemischter Präzision. | Bereitstellen |
| Am besten | A100 PCIE | 80 GB | $0,388 | $0,194 | 80 GB für Training mit großen Batches und TF-TRT-Inferenz. | 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.
TensorFlow CUDA 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, TensorFlow CUDA 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": "tensorflow-cuda". REST-Referenz.
- Eigenes Image – jede OCI-Referenz funktioniert ebenfalls; wir injizieren die NVIDIA-Runtime. Template-Dokumentation.
$ lowcostgpu launch --gpu rtx-3090 --template tensorflow-cuda \
--disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (27.9s)
# TensorFlow CUDA · RTX 3090 · $0,148/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8888 (TLS)
$ lowcostgpu stop i-7a41c0e2 # billing ends this secondWas steckt im Template TensorFlow CUDA
| Image | lowcostgpu/tensorflow:cuda12.1 |
|---|---|
| CUDA | CUDA 12.1 |
| Zugang | 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.- PyTorch NGC auf einer Cloud-GPU — NGC-optimierter PyTorch-Build von NVIDIA – abgestimmte Kernel für die Datacenter-Karten.
- NVIDIA RAPIDS auf einer Cloud-GPU — GPU-beschleunigte Data Science – cuDF, cuML, cuGraph in einem Notebook.
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
TensorFlow CUDA auf einer Cloud-GPU: FAQ
Umgebungsvariablen, Ports und benutzerdefinierte Images werden in der Template-Dokumentation behandelt.
Wie viel kostet es, TensorFlow CUDA auf einer Cloud-GPU auszuführen?
Nur der GPU-Preis – das Template ist kostenlos. Ab $0,074/Std. auf einer unterbrechbaren RTX 3090, $0,148/Std. On-Demand auf einer RTX 3090. 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 TensorFlow CUDA?
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.
Welche TensorFlow-Version ist installiert?
Der aktuelle TensorFlow-2.x-GPU-Build gegen CUDA 12.1 und passendes cuDNN. Legen Sie mit pip innerhalb der Instanz eine andere Version fest, oder bringen Sie Ihr eigenes Image mit.