联系我们
 课程时长 14 小时

课程大纲

AI与ML容器化简介

  • 容器化的核心概念
  • 为什么容器是ML工作负载的理想选择
  • 容器与虚拟机之间的主要区别

使用Docker镜像和容器

  • 理解镜像、层和注册表
  • 管理用于ML实验的容器
  • 高效使用Docker CLI

打包ML环境

  • 准备ML代码库以进行容器化
  • 管理Python环境和依赖项
  • 集成CUDA和GPU支持

为机器学习构建Dockerfile

  • 为ML项目构建Dockerfile的结构
  • 性能和可维护性的最佳实践
  • 使用多阶段构建

容器化ML模型和管道

  • 将训练好的模型打包到容器中
  • 管理数据和存储策略
  • 部署可重现的端到端工作流程

运行容器化的ML服务

  • 为模型推理暴露API端点
  • 使用Docker Compose扩展服务
  • 监控运行时行为

安全与合规性考虑

  • 确保安全的容器配置
  • 管理访问和凭证
  • 处理机密ML资产

部署到生产环境

  • 将镜像发布到容器注册表
  • 在本地或云端部署容器
  • 版本控制和更新生产服务

总结与后续步骤

要求

  • 了解机器学习工作流程
  • 具备Python或类似编程语言的经验
  • 熟悉基本的Linux命令行操作

目标学员

  • 将模型部署到生产环境的ML工程师
  • 管理可重现实验环境的数据科学家
  • 构建可扩展容器化应用的AI开发者

客户评论 (2)

即将举行的公开课程

课程分类