感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程時長 21 時間:
課程簡介
GPU 加速容器化簡介
- 理解 GPU 在深度學習工作流中的應用
- Docker 如何支持基於 GPU 的工作負載
- 關鍵性能考量
安裝與配置 NVIDIA Container Toolkit
- 設置驅動程序及 CUDA 兼容性
- 驗證容器內的 GPU 訪問
- 配置運行時環境
構建支持 GPU 的 Docker 映像
- 使用 CUDA 基礎映像
- 將 AI 框架打包至支持 GPU 的容器中
- 管理訓練與推理的依賴關係
運行 GPU 加速的 AI 工作負載
- 使用 GPU 執行訓練任務
- 管理多 GPU 工作負載
- 監控 GPU 利用率
優化性能與資源分配
- 限制並隔離 GPU 資源
- 優化內存、批次大小及设备佈置
- 性能調優與診斷
容器化推理與模型服務
- 構建就緒推理容器
- 在 GPU 上服務高負載工作
- 集成模型運行器與 API
使用 Docker 擴展 GPU 工作負載
- 分布式 GPU 訓練策略
- 擴展推理微服務
- 協調多容器 AI 系統
支持 GPU 的容器安全性與可靠性
- 確保共享環境中的 GPU 安全訪問
- 強化容器映像
- 管理更新、版本及兼容性
總結與後續步驟
最低要求
- 理解深度學習基礎知識
- 具備 Python 及常見 AI 框架的使用經驗
- 熟悉基本的容器化概念
適用對象
- 深度學習工程師
- 研發團隊
- AI 模型訓練師
客戶評論 (2)
如前所述,对于像我这样没有经验的人来说,这是了解这些程序/工具等功能与用途的入门途径。
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
課程 - Docker and Kubernetes
機器翻譯
多层次、结构化的课程体系。
Bert Paelinckx - Cube SoftwareSolutions
課程 - Introduction to Docker
機器翻譯