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 12.1
Lancer TensorFlow sur un GPU cloud, en 30 secondes
TensorFlow avec prise en charge du GPU, Keras et TensorBoard, sur un port mappé. TensorFlow avec support GPU, Keras et TensorBoard exposé sur son propre port. Idéal pour les pipelines d’entraînement hérités, les expérimentations TF-Serving et les cours qui ont fait de Keras leur standard. Enregistrez les modèles sur un volume : les journaux TensorBoard survivent aux redémarrages d’instance. À partir de $0,074/h sur une RTX 3090 interruptible.
Template gratuit
Vous payez uniquement le prix du GPU : TensorFlow CUDA sur une RTX 3090 coûte $0,148/h à la demande, $0,074/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 TensorFlow CUDA
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 3090 | 24 GB | $0,148 | $0,074 | La carte 24 GB la moins chère pour l’entraînement classique CNN/RNN. | Déployer |
| Meilleur | RTX 4090 | 24 GB | $0,354 | $0,177 | Les Tensor Core Ada accélèrent les modèles Keras en précision mixte. | Déployer |
| Le meilleur | A100 PCIE | 80 GB | $0,388 | $0,194 | 80 GB pour l’entraînement par gros lots et l’inférence TF-TRT. | 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 TensorFlow CUDA 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 TensorFlow CUDA 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": "tensorflow-cuda". Référence REST.
- Votre image — toute référence OCI fonctionne aussi ; nous injectons le runtime NVIDIA. Documentation des templates.
$ 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 secondCe que contient le template TensorFlow CUDA
| Image | lowcostgpu/tensorflow:cuda12.1 |
|---|---|
| CUDA | CUDA 12.1 |
| Accès | 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.- PyTorch NGC sur un GPU cloud — Image PyTorch de NVIDIA optimisée pour NGC — noyaux ajustés pour les cartes datacenter.
- 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
TensorFlow CUDA 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 TensorFlow CUDA sur un GPU cloud ?
Seulement le prix du GPU — le template est gratuit. À partir de $0,074/h sur une RTX 3090 interruptible, $0,148/h à la demande sur une RTX 3090. 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 TensorFlow CUDA ?
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.
Quelle version de TensorFlow est installée ?
Le build GPU actuel de TensorFlow 2.x, compilé pour CUDA 12.1 et le cuDNN correspondant. Épinglez une autre version avec pip dans l’instance, ou apportez votre propre image.