Leitfaden zu Ressourcen und Vergleichen für Maschinenfamilien (original) (raw)

In diesem Dokument werden die Maschinenfamilien, Maschinenserien und Maschinentypen beschrieben, aus denen Sie zum Erstellen einer VM-Instanz oder Bare-Metal-Instanz mit den benötigten Ressourcen auswählen können. Bei beschleunigungsoptimierten Maschinen werden in diesem Dokument nur Grafikprozessor-Beschleuniger (Graphics Processing Unit, GPU) beschrieben. Informationen zu Maschinentypen, die die von Google entwickelten Tensor Processing Units (TPUs) enthalten, finden Sie unter TPU-Maschinen.

Sie können aus mehreren Maschinenfamilien wählen. Jede Maschinenfamilie ist weiter in Maschinenserien und vordefinierte Maschinentypen in jeder Serie unterteilt. In der N2-Serie in der Maschinentypen für allgemeine Zwecke können Sie beispielsweise den Maschinentyp n2-standard-4 auswählen.

Wenn Sie eine Compute-Instanz erstellen, wählen Sie einen Maschinentyp aus einer Maschinenfamilie und -serie aus. Der Maschinentyp bestimmt die Ressourcen, die Compute Engine der Instanz zuweist. Mit dem Maschinentyp n2-standard-4 wird beispielsweise eine VM mit 4 vCPUs und 16 GB Arbeitsspeicher erstellt.

Informationen zu Maschinenserien, die Spot-VMs (und VMs auf Abruf) unterstützen, finden Sie unter Bereitstellungsmodelle für Compute Engine-Instanzen.

Hinweis: Dies ist eine Liste von Compute Engine-Maschinenfamilien. Eine ausführliche Erläuterung der einzelnen Maschinenfamilien finden Sie auf den folgenden Seiten:

Compute Engine-Terminologie

In dieser Dokumentation werden die folgenden Begriffe verwendet:

In den folgenden Abschnitten werden die verschiedenen Maschinentypen beschrieben.

Vordefinierte Maschinentypen

Vordefinierte Maschinentypen haben eine nicht konfigurierbare Menge an Arbeitsspeicher und vCPUs. Bei vordefinierten Maschinentypen wird eine Vielzahl von Verhältnissen von vCPU zu Arbeitsspeicher verwendet:

Ein Maschinentyp c3-standard-22 hat beispielsweise 22 vCPUs und als Maschinentyp standard auch 88 GB Arbeitsspeicher.

Maschinentypen mit lokalen SSDs

Maschinentypen mit lokalen SSDs sind spezielle vordefinierte Maschinentypen. Die Namen der Maschinentypen enthalten lssd. Wenn Sie eine Compute-Instanz mit einem der folgenden Maschinentypen erstellen, werden automatisch Titanium-SSDs oder lokale SSD-Laufwerke an die Instanz angehängt:

Andere Maschinenserien unterstützen auch lokale SSD-Laufwerke, verwenden aber keinen Maschinentypnamen, der lssd enthält. Eine Liste aller Maschinentypen, die Sie mit Titanium-SSDs oder lokalen SSD-Laufwerken verwenden können, finden Sie unter Gültige Anzahl lokaler SSD-Laufwerke auswählen.

Bare-Metal-Maschinentypen

Bare-Metal-Maschinentypen sind ein spezieller vordefinierter Maschinentyp. Der Name des Maschinentyps enthält -metal. Wenn Sie eine Compute-Instanz mit einem dieser Maschinentypen erstellen, ist kein Hypervisor auf der Instanz installiert. Sie können einer Bare-Metal-Instanz Laufwerke anhängen, genau wie bei einer VM-Instanz. Bare-Metal-Instanzen können in VPC-Netzwerken und ‑Subnetzwerken genauso wie VM-Instanzen verwendet werden.

Weitere Informationen finden Sie unter Bare-Metal-Instanzen in Compute Engine.

Benutzerdefinierte Maschinentypen

Wenn keiner der vordefinierten Maschinentypen Ihren Anforderungen entspricht, können Sie eine VM-Instanz mit einem benutzerdefinierten Maschinentyp für die Maschinenserien N und E in der Maschinenfamilie für allgemeine Zwecke erstellen.

Die Nutzungskosten eines benutzerdefinierten Maschinentyps sind etwas höher als die eines gleichwertigen vordefinierten Maschinentyps. Außerdem gibt es Einschränkungen in Bezug auf die Menge an Arbeitsspeicher und vCPUs, die Sie für einen benutzerdefinierten Maschinentyp auswählen können. Die On-Demand-Preise für benutzerdefinierte Maschinentypen enthalten einen Aufschlag von 5% auf die On-Demand- und Zusicherungspreise für vordefinierte Maschinentypen.

Wenn Sie einen benutzerdefinierten Maschinentyp erstellen, können Sie die Funktion für erweiterten Speicher verwenden. Anstatt die Standardgröße des Arbeitsspeichers basierend auf der Anzahl der ausgewählten vCPUs zu verwenden, können Sie eine Arbeitsspeichermenge bis zum Limit für die Maschinenserie angeben.

Weitere Informationen finden Sie unter VM mit einem benutzerdefinierten Maschinentyp erstellen.

Maschinentypen mit gemeinsam genutztem Kern

Die E2- und die N1-Serie enthalten Maschinentypen mit gemeinsam genutztem Kern. Diese Maschinentypen haben einen physischen Kern, der eine kostengünstige Methode zum Ausführen kleiner, nicht ressourcenintensiver Anwendungen sein kann.

Weitere Informationen finden Sie unter CPU-Bursting.

Empfehlungen für Maschinenfamilien und -serien

Die folgenden Tabellen enthalten Empfehlungen für verschiedene Arbeitslasten.

Arbeitslasten für allgemeine Zwecke
N4, N4A, N4D, N2, N2D, N1 C4, C4A, C4D, C3, C3D E2 Tau T2D, Tau T2A
Ausgewogenes Preis-Leistungs-Verhältnis für eine Vielzahl von Maschinentypen Konstant hohe Leistung für eine Vielzahl von Arbeitslasten Kosteneffizientes Computing für den Alltag Optimale Leistungs-Kosten-Verhältnis pro Kern für Arbeitslasten mit horizontaler Skalierung
Web- und Anwendungsserver mit mittlerem Traffic Containerisierte Mikrodienste Business-Intelligence-Anwendungen Virtuelle Desktops CRM-Anwendungen Entwicklungs- und Testumgebungen Batchverarbeitung Speichern und Archivieren Web- und Anwendungsserver mit hohem Traffic Datenbanken In-Memory-Caches Ad-Server Game Servers Datenanalyse Medienstreaming und -transcodierung CPU-basiertes ML-Training und -Inferenz Webserver mit geringem Traffic Backoffice-Apps Containerisierte Mikrodienste Mikrodienste Virtuelle Desktops Entwicklungs- und Testumgebungen Arbeitslasten mit horizontaler Skalierung Web-Serving Containerisierte Mikrodienste Medientranscodierung Umfassende Java-Anwendungen
Optimierte Arbeitslasten
Speicheroptimiert Computing-optimiert Speicheroptimiert Für Beschleuniger optimiert* (GPUs)
Z3 H4D, H3, C2 und C2D X4, M4, M3, M2, M1 A4X Max, A4X, A4, A3, A2, G4, G2
Höchstes Verhältnis von Blockspeicher pro Rechenoperationen für speicherintensive Arbeitslasten Höchste Leistung und niedrigere Kosten für Hochleistungs-Computing (HPC), Multi-Node- und rechengebundene Arbeitslasten Höchstes Verhältnis von Arbeitsspeicher pro Rechenoperationen für arbeitsspeicherintensive Arbeitslasten Für beschleunigte Hochleistungs-Computing-Arbeitslasten optimiert
SQL-, NoSQL- und Vektordatenbanken Datenanalyse und Data Warehouses Suchen Medienstreaming Große verteilte parallele Dateisysteme Fertigung, Wettervorhersage, elektronische Designautomatisierung (EDA), Hochleistungs-Webserver Gesundheitswesen und Biowissenschaften, wissenschaftliche Berechnungen Anwendungen für die seismische Verarbeitung und Strukturmechanik Arbeitslasten für Modellierung und Simulation, KI/ML Hochleistungs-Webserver, Game Servers Kleine bis sehr große SAP HANA-In-Memory-Datenbanken In-Memory-Datenspeicher wie Redis Simulation Hochleistungsdatenbanken wie Microsoft SQL Server, MySQL Electronic Design-Automatisierung Generative KI-Modelle wie die folgenden: Large Language Models (LLMs) Diffusionsmodelle Generative Adversarial Networks (GAN) CUDA-fähiges ML-Training und -Inferenz Hochleistungs-Computing (HPC) Massiv parallelisierte Berechnungen BERT Natural Language Processing Deep Learning Recommendation Model (DLRM) Videotranscodierung Remote-Visualisierungs-Workstation

* Informationen zu beschleunigeroptimierten Maschinen mit TPUs finden Sie unter TPU-Maschinen.

Nachdem Sie eine Compute-Instanz erstellt haben, können Sie Empfehlungen zum Right-sizing verwenden, um die Ressourcennutzung basierend auf Ihrer Arbeitslast zu optimieren. Weitere Informationen finden Sie unter Empfehlungen für Maschinentypen für VMs anwenden.

Anleitung für Maschinenfamilien für allgemeine Zwecke

Die Maschinenfamilie für allgemeine Zwecke bietet mehrere Maschinenserien mit dem besten Preis-Leistungs-Verhältnis für eine Vielzahl von Arbeitslasten.

Compute Engine bietet Maschinenserien für allgemeine Zwecke, die entweder in der x86- oder der ARM-Architektur ausgeführt werden.

x86

Arm

Leitfaden zur speicheroptimierten Maschinenfamilie

Die speicheroptimierte Maschinenfamilie eignet sich am besten für leistungsstarke und flash-optimierte Arbeitslasten wie SQL-, NoSQL- und Vektordatenbanken, horizontal skalierbare Datenanalysen, Data Warehouses und Suchvorgänge sowie verteilte Dateisysteme, die schnellen Zugriff auf große Mengen an Daten benötigen, die im lokalen Speicher gespeichert sind. Die speicheroptimierte Maschinenfamilie bietet einen hohen lokalen Speicherdurchsatz und hohe IOPS bei einer Latenz von weniger als einer Millisekunde.

Z3-VMs basieren auf dem skalierbaren Intel Xeon-Prozessor (Codename Sapphire Rapids) mit DDR5-Arbeitsspeicher und Titanium-Auslagerungsprozessoren. Z3 vereint Innovationen in den Bereichen Computing, Netzwerk und Speicher auf einer Plattform. Z3-Instanzen sind an der zugrunde liegenden NUMA-Architektur ausgerichtet, um eine optimale, zuverlässige, konsistente Leistung zu bieten.

Leitfaden zur computing-optimierten Maschinenfamilie

Die computing-optimierte Maschinenfamilie ist für die Ausführung von Hochleistungs-Computing (HPC), Anwendungen mit mehreren Knoten und rechengebundenen Anwendungen optimiert, da sie eine hohe Leistung pro Kern bietet.

Leitfaden zur speicheroptimierten Maschinenfamilie

Die speicheroptimierte Maschinenfamilie umfasst Maschinenreihen, die sich ideal für OLAP- und OLTP-SAP-Arbeitslasten, genomische Modellierung, elektronische Designautomatisierung und speicherintensive HPC-Arbeitslasten eignen. Diese Familie bietet mit bis zu 32 TBmehr Arbeitsspeicher pro Kern als jede andere Maschinenfamilie.

Leitfaden zur beschleunigungsoptimierten Maschinenfamilie

Die beschleunigungsoptimierte Maschinenfamilie eignet sich ideal für massenhaft parallelisierte CUDA-Computing-Arbeitslasten (Compute Unified Device Architecture), wie: Machine Learning (ML) und Hochleistungs-Computing (HPC). Diese Maschinenserie ist die optimale Wahl für Arbeitslasten, die Beschleuniger (GPUs oder TPUs) erfordern. Dieser Abschnitt enthält Informationen zu GPU-Maschinen. Informationen zu Maschinen, die TPUs enthalten, finden Sie unter TPU-Maschinen.

Google bietet auch AI Hypercomputer zum Erstellen von Clustern mit beschleunigeroptimierten VMs mit GPU-zu-GPU-Kommunikation an, die für die Ausführung sehr intensiver KI- und ML-Arbeitslasten entwickelt wurden. Weitere Informationen finden Sie unter AI Hypercomputer – Übersicht.

Arm

x86

Vergleich der Maschinenserien

Verwenden Sie die folgende Tabelle, um jede Maschinenfamilie zu vergleichen und zu ermitteln, welche für Ihre Arbeitslast geeignet ist. Einen Vergleich der TPU-Versionen finden Sie unter TPU-Maschinen.

Wenn Sie sich danach immer noch nicht sicher sind, welche Familie für Ihre Arbeitslast am besten geeignet ist, beginnen Sie mit der Maschinenfamilie für allgemeine Zwecke. Weitere Informationen zu allen unterstützten Prozessoren finden Sie unter CPU-Plattformen.

Informationen dazu, wie sich Ihre Auswahl auf die Leistung von an Compute-Instanzen angehängten Laufwerk-Volumes auswirkt, finden Sie unter:

Vergleichen Sie die Eigenschaften verschiedener Maschinenserien von C4 bis G2. Sie können bestimmte Attribute im Feld Zu vergleichende Instanzeigenschaften auswählen auswählen, um sie für alle VM-Reihen in der folgenden Tabelle zu vergleichen.

Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Allgemeiner Zweck Kostenoptimiert Speicheroptimiert Computing-optimiert Computing-optimiert Computing-optimiert Computing-optimiert Speicheroptimiert Speicheroptimiert Speicheroptimiert Speicheroptimiert Speicheroptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert Beschleunigungsoptimiert
VM und Bare Metal VM und Bare Metal VM und Bare Metal VM und Bare Metal VM VM VM VM VM VM VM VM VM VM VM und Bare Metal VM VM VM VM Bare Metal VM VM VM VM VM Bare Metal VM VM VM VM VM VM VM
Intel Emerald Rapids und Granite Rapids Google Axion AMD EPYC Turin Intel Sapphire Rapids AMD EPYC Genoa Intel Emerald Rapids Google Axion AMD EPYC Turin Intel Cascade Lake und Ice Lake AMD EPYC Rome und EPYC Milan Intel Skylake, Broadwell, Haswell, Sandy Bridge und Ivy Bridge AMD EPYC Milan Ampere Altra Intel Skylake, Broadwell und Haswell, AMD EPYC Rome und EPYC Milan Intel Sapphire Rapids AMD EPYC Turin Intel Sapphire Rapids Intel Cascade Lake AMD EPYC Milan Intel Sapphire Rapids Intel Emerald Rapids Intel Ice Lake Intel Cascade Lake Intel Skylake und Broadwell Intel Skylake, Broadwell, Haswell, Sandy Bridge und Ivy Bridge NVIDIA Grace NVIDIA Grace Intel Emerald Rapids Intel Emerald Rapids Intel Sapphire Rapids Intel Cascade Lake AMD EPYC Turin Intel Cascade Lake
x86 Arm x86 x86 x86 x86 Arm x86 x86 x86 x86 x86 Arm x86 x86 x86 x86 x86 x86 x86 x86 x86 x86 x86 x86 Arm Arm x86 x86 x86 x86 x86 x86
2 bis 288 1 bis 96 2 bis 384 4 bis 176 4 bis 360 2 bis 80 1 bis 64 2 bis 96 2 bis 128 2 bis 224 1 bis 96 1 bis 60 1 bis 48 0,25 bis 32 8 bis 192 192 88 4 bis 60 2 bis 112 480 bis 1.920 16 bis 224 32 bis 128 208 bis 416 40 bis 160 1 bis 96 144 140 224 224 208 12 bis 96 6 bis 384 4 bis 96
Thread Core Thread Thread Thread Thread Core Thread Thread Thread Thread Core Core Thread Thread Core Core Thread Thread Thread Thread Thread Thread Thread Thread Core Core Thread Thread Thread Thread Thread Thread
2 bis 2.232 GB 1 bis 768 GB 3 bis 3.072 GB 4 bis 1.408 GB 4 bis 2.880 GB 2 bis 640 GB 2 bis 512 GB 2 bis 768 GB 2 bis 864 GB 2 bis 896 GB 1,8 bis 624 GB 4 bis 240 GB 4 bis 192 GB 1 bis 128 GB 64 bis 1.536 GB 720 bis 1.488 GB 352 GB 16 bis 240 GB 4 bis 896 GB 6.144 bis 32.768 GB 248 bis 5.952 GB 976 bis 3.904 GB 5.888 bis 11.776 GB 961 bis 3.844 GB 3.75 bis 624 GB 960 GB 884 GB 3.968 GB 2.952 GB 1.872 GB 85 bis 1.360 GB 22 bis 1.440 GB 16 bis 432 GB
NUMA UMA NUMA NUMA NUMA — UMA — — — — — NUMA — NUMA NUMA NUMA NUMA NUMA — — — — — — — — — — — — — —
— — — — — — — — — — — — — — — — — — — — — — — —
— — — — — — — — — — — — — — — — — — — — — — — — — —
— — — — — — — — — — —
— — — — — — — — — — — — — — — — — — — — —
— — AMD SEV Intel TDX AMD SEV — — — — AMD SEV, AMD SEV-SNP — — — — — — — — AMD SEV — — — — — — — — — — Intel TDX, NVIDIA Confidential Computing — AMD SEV, NVIDIA Confidential Computing —
NVMe NVMe NVMe NVMe NVMe NVMe NVMe NVMe SCSI (PD und lokale SSD) NVMe (lokale SSD) SCSI (PD und lokale SSD) NVMe (lokale SSD) SCSI (PD und lokale SSD) NVMe (lokale SSD) SCSI (PD und lokale SSD) NVMe (lokale SSD) NVMe SCSI NVMe NVMe NVMe SCSI (PD und lokale SSD) NVMe (lokale SSD) SCSI (PD und lokale SSD) NVMe (lokale SSD) NVMe NVMe NVMe SCSI SCSI (PD und lokale SSD) NVMe (lokale SSD) SCSI (PD und lokale SSD) NVMe (lokale SSD) NVMe NVMe NVMe NVMe NVMe SCSI (PD und lokale SSD) NVMe (lokale SSD) NVMe NVMe
— — — — — — — — — — —
— — — — — — — — — — — — — — — — — — — —
— — — — — — — — — — — — — — —
— — — — — — — — — — — — — — — — —
— — — — — — — — — — — — — — — —
— — — — — — — — — —
18 TiB 6 TiB 12 TiB 12 TiB 12 TiB 0 0 0 9 TiB 9 TiB 9 TiB 0 0 0 36 TiB (VM), 72 TiB (Metal) 3 TiB 0 3 TiB 3 TiB 0 0 3 TiB 0 3 TiB 9 TiB 12 TiB 12 TiB 12 TiB 12 TiB 6 TiB 3 TiB 12 TiB 3 TiB
— — — — — — — — Zonal und regional Zonal und regional Zonal und regional Zonal Zonal Zonal und regional — — — Zonal Zonal — — — Zonal Zonal Zonal und regional — — — — — Zonal — —
— — — Zonal Zonal — — — Zonal und regional Zonal und regional Zonal und regional Zonal Zonal Zonal und regional Zonal — Zonal Zonal Zonal — — Zonal Zonal Zonal Zonal und regional — — — — Zonal Zonal — Zonal
— — — Zonal Zonal — — — Zonal und regional Zonal und regional Zonal und regional Zonal Zonal Zonal und regional Zonal — — Zonal Zonal — — Zonal Zonal Zonal Zonal und regional — — — — Zonal Zonal — Zonal
— — — — — — — — — — — — — — — — — — — — — — — — — — — — —
gVNIC und IDPF gVNIC und IDPF gVNIC und IDPF gVNIC und IDPF gVNIC gVNIC gVNIC gVNIC gVNIC und VirtIO-Net gVNIC und VirtIO-Net gVNIC und VirtIO-Net gVNIC und VirtIO-Net gVNIC gVNIC und VirtIO-Net gVNIC und IDPF gVNIC, IRDMA gVNIC gVNIC und VirtIO-Net gVNIC und VirtIO-Net IDPF gVNIC gVNIC gVNIC und VirtIO-Net gVNIC und VirtIO-Net gVNIC und VirtIO-Net IDPF und MRDMA gVNIC und MRDMA gVNIC und MRDMA gVNIC und MRDMA gVNIC gVNIC und VirtIO-Net gVNIC gVNIC und VirtIO-Net
10 bis 100 Gbit/s 10 bis 50 Gbit/s 10 bis 100 Gbit/s 23 bis 100 Gbit/s 20 bis 100 Gbit/s 10 bis 50 Gbit/s Bis zu 50 Gbit/s 10 bis 50 Gbit/s 10 bis 32 Gbit/s 10 bis 32 Gbit/s 2 bis 32 Gbit/s 10 bis 32 Gbit/s 10 bis 32 Gbit/s 1 bis 16 Gbit/s 23 bis 100 Gbit/s Bis zu 200 Gbit/s Bis zu 200 Gbit/s 10 bis 32 Gbit/s 10 bis 32 Gbit/s bis zu 100 Gbit/s 16 bis 100 Gbit/s bis zu 32 Gbit/s bis zu 32 Gbit/s bis zu 32 Gbit/s 2 bis 32 Gbit/s bis zu 3.600 Gbit/s bis zu 2.000 Gbit/s bis zu 3.600 Gbit/s bis zu 3.200 Gbit/s bis zu 1.800 Gbit/s 24 bis 100 Gbit/s 20 bis 400 Gbit/s 10 bis 100 Gbit/s
50 bis 200 Gbit/s 50 bis 100 Gbit/s 50 bis 200 Gbit/s 50 bis 200 Gbit/s 50 bis 200 Gbit/s — — — 50 bis 100 Gbit/s 50 bis 100 Gbit/s — — — — 50 bis 200 Gbit/s — — 50 bis 100 Gbit/s 50 bis 100 Gbit/s — — 50 bis 100 Gbit/s — — 50 bis 100 Gbit/s — — — — — — — —
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 4 4 8 8 8 16 8 8
— — — — — — — — — — — — — — — — — — — — — — — — — —
Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte – Rabatte Rabatte Rabatte Rabatte nur bei Google Analytics Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte
Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte Rabatte – Rabatte – Rabatte Rabatte Rabatte Nur bei allgemeiner Verfügbarkeit und für das neue CUD-Modell Rabatte Nur für das neue CUD-Modell -Rabatte Rabatte Rabatte – Rabatte Nur für das neue CUD-Modell -Rabatte Nur für das neue CUD-Modell -Rabatte Nur für das neue CUD-Modell -Rabatte Nur für das neue CUD-Modell -Rabatte – Rabatte – Rabatte – Rabatte – Rabatte – Rabatte – Rabatte – Rabatte – Rabatte – Rabatte
— — —

GPUs und Compute-Instanzen

GPUs werden verwendet, um Arbeitslasten zu beschleunigen, und werden für A4X Max-, A4X-, A4-, A3-, A2-, G4-, G2- und N1-Instanzen unterstützt. Bei Instanzen, die A4X Max-, A4X-, A4-, A3-, A2-, G4- oder G2-Maschinentypen verwenden, werden die GPUs beim Erstellen der Instanz automatisch angehängt. Bei Instanzen, die N1-Maschinentypen verwenden, können Sie GPUs während oder nach der Instanzerstellung an die Instanz anhängen. GPUs können nicht mit anderen Maschinenserien verwendet werden.

Beschleunigungsoptimierte Instanzen haben eine feste Anzahl von GPUs, vCPUs und Arbeitsspeicher pro Maschinentyp. Eine Ausnahme bilden G2-Maschinen, die einen benutzerdefinierten Arbeitsspeicherbereich bieten. Für N1-Instanzen mit weniger angehängten GPUs ist eine Höchstanzahl von vCPUs vorgegeben. Im Allgemeinen ermöglicht es Ihnen eine höhere Anzahl von GPUs, Instanzen mit einer größeren Anzahl von vCPUs und mehr Arbeitsspeicher zu erstellen.

Weitere Informationen finden Sie unter GPUs in Compute Engine.

Nächste Schritte