課程簡介

AI與ML容器化簡介

  • 容器化的核心概念。
  • 容器爲何適合ML工作負載。
  • 容器與虛擬機的關鍵區別。

使用Docker鏡像與容器

  • 理解鏡像、層和倉庫。
  • 管理用於ML實驗的容器。
  • 高效使用Docker CLI。

打包ML環境

  • 準備ML代碼庫以進行容器化。
  • 管理Python環境和依賴項。
  • 集成CUDA和GPU支持。

爲機器學習構建Dockerfile

  • 爲ML項目構建Dockerfile。
  • 性能與可維護性的最佳實踐。
  • 使用多階段構建。

容器化ML模型與管道

  • 將訓練好的模型打包到容器中。
  • 管理數據和存儲策略。
  • 部署可復現的端到端工作流程。

運行容器化的ML服務

  • 爲模型推理暴露API端點。
  • 使用Docker Compose擴展服務。
  • 監控運行時行爲。

安全與合規性考慮

  • 確保容器的安全配置。
  • 管理訪問權限和憑據。
  • 處理機密的ML資產。

部署到生產環境

  • 將鏡像發佈到容器倉庫。
  • 在本地或雲環境中部署容器。
  • 版本控制與更新生產服務。

總結與後續步驟

最低要求

  • 瞭解機器學習工作流程。
  • 具備Python或類似編程語言的經驗。
  • 熟悉基本的Linux命令行操作。

目標受衆

  • 將模型部署到生產的ML工程師。
  • 管理可復現實驗環境的數據科學家。
  • 構建可擴展容器化應用程序的AI開發者。
 14 時間:

人數


每位參與者的報價

客戶評論 (5)

即將到來的課程

課程分類