感谢您发送咨询!我们的团队成员将很快与您联系。
感谢您发送预订!我们的团队成员将很快与您联系。
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)
如前所述,对于像我这样没有经验的人来说,这是了解这些程序或工具功能与用途的入门途径。
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
课程 - Docker and Kubernetes
机器翻译
多层次、结构化的课程体系。
Bert Paelinckx - Cube SoftwareSolutions
课程 - Introduction to Docker
机器翻译