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 21 小时
课程大纲
GPU加速容器化简介
- 理解深度学习工作流中的GPU使用
- Docker如何支持基于GPU的工作负载
- 关键性能考量
安装与配置NVIDIA容器工具包
- 设置驱动程序和CUDA兼容性
- 验证容器内的GPU访问
- 配置运行时环境
构建支持GPU的Docker镜像
- 使用CUDA基础镜像
- 将AI框架打包到GPU就绪容器中
- 管理训练和推理的依赖关系
运行GPU加速的AI工作负载
- 使用GPU执行训练任务
- 管理多GPU工作负载
- 监控GPU利用率
优化性能和资源分配
- 限制和隔离GPU资源
- 优化内存、批次大小和设备放置
- 性能调优与诊断
容器化推理与模型服务
- 构建推理就绪容器
- 在GPU上服务高负载工作负载
- 集成模型运行器和API
使用Docker扩展GPU工作负载
- 分布式GPU训练策略
- 扩展推理微服务
- 协调多容器AI系统
GPU容器的安全性与可靠性
- 确保共享环境中的安全GPU访问
- 强化容器镜像
- 管理更新、版本和兼容性
总结与后续步骤
要求
- 了解深度学习基础知识
- 具备Python及常见AI框架的使用经验
- 熟悉基本的容器化概念
目标学员
- 深度学习工程师
- 研发团队
- AI模型训练人员
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