Actif en ~30 s
Image pré-mise en cache, ports mappés, TLS terminé — la stack fonctionne avant même que vous ayez fini de lire cette phrase.
Template · Base et frameworks · CUDA 13
Lancer RAPIDS sur un GPU cloud, en 30 secondes
Data science accélérée par GPU — cuDF, cuML, cuGraph dans un notebook. RAPIDS transforme les workflows pandas, scikit-learn et NetworkX en code GPU : cuDF, cuML, cuGraph et Dask-CUDA dans un notebook JupyterLab. Chargez un dataset parquet de 50 GB en mémoire GPU et exécutez un groupby en quelques millisecondes — puis arrêtez l’instance et ne payez que les minutes utilisées. À partir de $0,140/h sur une RTX A6000 interruptible.
Template gratuit
Vous payez uniquement le prix du GPU : NVIDIA RAPIDS sur une RTX 4090 coûte $0,354/h à la demande, $0,177/h en interruptible, facturé à la seconde.
Volumes pour l’état
Les modèles, jeux de données et résultats vivent sur un volume à $0,08/GB/mois ; l’instance reste jetable.
Privé par défaut
GPU dédié, disque chiffré, paiements en crypto, sans KYC, aucune IP stockée — Jupyter et SSH derrière vos propres identifiants.
Meilleurs GPU pour NVIDIA RAPIDS
Trois paliers de prix qui font bien tourner ce template — Bon, Meilleur, Le meilleur. Tous les modèles du catalogue fonctionnent ; ce sont les options les plus avantageuses.
| Palier | GPU | VRAM | À la demande | Interruptible | Pourquoi cette carte | Action |
|---|---|---|---|---|---|---|
| Bon | RTX 4090 | 24 GB | $0,354 | $0,177 | 24 GB de GDDR6X rapide pour des dataframes qui ne tiennent plus dans pandas. | Déployer |
| Meilleur | RTX A6000 | 48 GB | $0,281 | $0,140 | 48 GB avec ECC pour des tables plus grandes et l’analytique de graphes. | Déployer |
| Le meilleur | A100 PCIE | 80 GB | $0,388 | $0,194 | 80 GB HBM2e — des jeux de données entiers résidents en mémoire, Dask-CUDA sur plusieurs cartes. | Déployer |
Besoin de plus de VRAM ? Le catalogue complet liste tous les 83 modèles avec leur disponibilité en direct ; le guide VRAM associe les modèles aux cartes.
Déployez NVIDIA RAPIDS depuis la console, le CLI ou l’API
Choisissez le template dans la barre de déploiement de la console, ou scriptez-le :
- Console — filtrez par GPU, choisissez NVIDIA RAPIDS dans le sélecteur de templates, définissez le disque et l’environnement, déployez.
- CLI — pip install lowcostgpu, puis la commande à droite. Référence CLI.
- API — POST /v1/instances avec "template": "nvidia-rapids". Référence REST.
- Votre image — toute référence OCI fonctionne aussi ; nous injectons le runtime NVIDIA. Documentation des templates.
$ 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 secondCe que contient le template NVIDIA RAPIDS
| Image | rapidsai/notebooks |
|---|---|
| CUDA | CUDA 13 |
| Accès | se construit aussi pour les hôtes ARM · Shell SSH · JupyterLab sur un port mappé |
| Catégorie | Base et frameworks |
| Stockage | Disque NVMe de l’instance (dimensionné au déploiement) + volumes réseau en option |
| Facturation | Le prix du GPU uniquement, à la seconde — aucun frais de template, aucun frais d’installation |
Autres templates de base et frameworks
NVIDIA CUDA sur un GPU cloud — L’image de base CUDA minimale — pilotes, toolkit, SSH et Jupyter. Construisez votre propre stack par-dessus.
PyTorch sur un GPU cloud — Le choix par défaut pour l’entraînement et la recherche : PyTorch 2.6, cuDNN, JupyterLab et SSH prêts à l’emploi.
TensorFlow CUDA sur un GPU cloud — TensorFlow avec prise en charge du GPU, Keras et TensorBoard, sur un port mappé.- PyTorch NGC sur un GPU cloud — Image PyTorch de NVIDIA optimisée pour NGC — noyaux ajustés pour les cartes datacenter.
Studio d’applications tout-en-un sur un GPU cloud — Un lanceur qui regroupe les applications IA les plus utilisées derrière un même bureau — choisissez et lancez.- Tous les 37 templates
NVIDIA RAPIDS sur un GPU cloud : FAQ
Les variables d’environnement, les ports et les images personnalisées sont couverts dans la documentation des templates.
Combien coûte l’exécution de NVIDIA RAPIDS sur un GPU cloud ?
Seulement le prix du GPU — le template est gratuit. À partir de $0,140/h sur une RTX A6000 interruptible, $0,354/h à la demande sur une RTX 4090. La facturation est à la seconde, donc une heure d’expérimentation coûte une heure, pas une journée. Le stockage est à $0,08/GB/mois.
Combien de temps faut-il pour démarrer NVIDIA RAPIDS ?
Environ 30 secondes après le clic de déploiement : l’image est pré-mise en cache sur les hôtes, les ports sont mappés et le TLS est terminé pour vous. Redémarrer une instance arrêtée est plus rapide, et votre disque est exactement comme vous l’avez laissé.
Puis-je conserver mes modèles et mes résultats entre les sessions ?
Oui — attachez un volume au déploiement. Tout ce qui se trouve sur le volume survit à la destruction de l’instance et se monte sur l’instance suivante dans la région en quelques secondes, à $0,08/GB/mois. Le disque de l’instance lui-même survit à l’arrêt et au démarrage, mais pas à la destruction.
Puis-je répartir RAPIDS sur plusieurs GPU ?
Oui — Dask-CUDA est préinstallé ; déployez une machine 2×–8× et un LocalCUDACluster répartit les partitions cuDF sur toutes les cartes de l’hôte.