聯繫我們

課程簡介

AI 和 ML 容器化介紹

  • 容器化的核心概念
  • 為何容器非常適合 ML 工作負載
  • 容器與虛擬機器的主要差異

使用 Docker 鏡像和容器

  • 理解鏡像、層級和註冊表
  • 管理用於 ML 實驗的容器
  • 高效使用 Docker CLI

封裝 ML 環境

  • 準備適合容器化的 ML 程式碼庫
  • 管理 Python 環境和依賴關係
  • 整合 CUDA 和 GPU 支援

為機器學習建構 Dockerfile

  • 建構適用於 ML 專案的 Dockerfile 結構
  • 性能和可維護性的最佳實務
  • 使用多階段建構

將 ML 模型和管線容器化

  • 將訓練好的模型封裝進容器中
  • 管理資料和儲存策略
  • 部署可重現的端到端工作流

運行容器化的 ML 服務

  • 公開模型推論的 API 端點
  • 使用 Docker Compose 擴展服務
  • 監控運行時的行為

安全和合規考量

  • 確保安全的容器配置
  • 管理存取權和憑證
  • 處理機密的 ML 資產

部署至生產環境

  • 將鏡像發佈至容器註冊表
  • 在內部或雲端設定中部署容器
  • 版本控管和更新生產服務

總結和下一步

最低要求

  • 具備機器學習工作流的知識
  • 擁有 Python 或類似程式語言的經驗
  • 熟悉基本的 Linux 命令列操作

受眾

  • 將模型部署至生產環境的 ML 工程師
  • 管理可重現實驗環境的數據科學家
  • 建構可擴展容器化應用的 AI 開發人員
 14 小時

客戶評論 (3)

課程分類