Démarre en quelques minutes
Une machine virtuelle KVM complète avec le GPU en passthrough : votre kernel, root, systemd.
Template · Base et frameworks
Lancer NVIDIA NGC PyTorch sur un GPU cloud, en quelques minutes
Image PyTorch de NVIDIA optimisée pour NGC — noyaux ajustés pour les cartes datacenter. Le conteneur NGC PyTorch de NVIDIA est la version optimisée : noyaux précompilés pour Hopper et Ampere, APEX, DALI, Transformer Engine et prise en charge FP8 déjà intégrés. C’est ce que les équipes d’entraînement à grande échelle font tourner sur des cartes datacenter ; louez-le ici avec la même image, sans connexion à un registre. À partir de $0,234/h sur une A100 SXM4 interruptible.
Template gratuit
Vous payez uniquement le prix du GPU : PyTorch NGC sur une A100 SXM4 coûte $0,468/h à la demande, $0,234/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 — SSH derrière vos propres identifiants.
Meilleurs GPU pour PyTorch NGC
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 | A100 SXM4 | 80 GB | $0,468 | $0,234 | Carte datacenter Ampere pour laquelle la pile NGC est optimisée. | Déployer |
| Meilleur | H100 SXM | 80 GB | $1,680 | $0,840 | Les chemins FP8 du Transformer Engine excellent sur Hopper. | Déployer |
| Le meilleur | H200 | 141 GB | $3,131 | $1,565 | 141 GB pour un contexte plus long et des micro-batches plus grands, sous la même pile optimisée. | 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 PyTorch NGC 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 PyTorch NGC 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": "pytorch-ngc". Référence REST.
- Votre image — toute référence OCI fonctionne aussi ; nous injectons le runtime NVIDIA. Documentation des templates.
$ lowcostgpu launch --gpu a100-sxm4 --template pytorch-ngc \
--disk 100 --volume models:/workspace/models
✓ instance i-7a41c0e2 running (2m38s)
# PyTorch NGC · A100 SXM4 · $0,468/hr · per second
# https://i-7a41c0e2.lowcostgpu.com:8000 (TLS)
$ lowcostgpu stop i-7a41c0e2 # billing ends this secondCe que contient le template PyTorch NGC
| Image | nvcr.io/nvidia/pytorch |
|---|---|
| CUDA | hérite du pilote de l’hôte (12.x ou 13.x, indifféremment) |
| Accès | Shell SSH · machine virtuelle complète (KVM) |
| 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.- NVIDIA RAPIDS sur un GPU cloud — Data science accélérée par GPU — cuDF, cuML, cuGraph dans un notebook.
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
PyTorch NGC 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 PyTorch NGC sur un GPU cloud ?
Seulement le prix du GPU — le template est gratuit. À partir de $0,234/h sur une A100 SXM4 interruptible, $0,468/h à la demande sur une A100 SXM4. 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 PyTorch NGC ?
Deux à quatre minutes : ce template est une machine virtuelle complète qui démarre son propre kernel. 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.
Pourquoi choisir le build NGC plutôt que PyTorch nu ?
Sur les GPU datacenter, le conteneur NGC est généralement 10 à 30 % plus rapide à l’entraînement des transformers, grâce à Transformer Engine, des noyaux fusionnés et un réglage NCCL — et il est validé version après version par NVIDIA.