聯繫我們

課程簡介

AI 與 ML 的容器化簡介

  • 容器化的核心概念
  • 為什麼容器適合 ML 負載
  • 容器與虛擬機器的主要差異

處理 Docker 映像檔與容器

  • 理解映像檔、層級和登錄倉儲
  • 管理用於 ML 實驗的容器
  • 有效使用 Docker CLI

打包 ML 環境

  • 準備容器化的 ML 代碼庫
  • 管理 Python 環境和依賴關係
  • 整合 CUDA 和 GPU 支援

為機器學習構建 Dockerfile

  • 為 ML 專案結構化 Dockerfile
  • 性能和可維護性的最佳實踐
  • 使用多階段構建

將 ML 模型和管線容器化

  • 將訓練好的模型打包進容器
  • 管理數據和儲存策略
  • 部署可重現的端到端工作流程

運行容器化 ML 服務

  • 公開模型推論的 API 端點
  • 使用 Docker Compose 擴展服務
  • 監控運行時行為

安全性和合規性考量

  • 確保安全的容器配置
  • 管理存取和憑證
  • 處理機密 ML 資產

部署至生產環境

  • 將映像檔發佈至容器登錄倉儲
  • 在本地或雲端設置中部署容器
  • 對生產服務進行版本控制和更新

總結與後續步驟

最低要求

  • 了解機器學習工作流程
  • 具備 Python 或類似程式語言的經驗
  • 熟悉基本 Linux 命令列操作

受眾

  • 將模型部署至生產環境的 ML 工程師
  • 管理可重現實驗環境的資料科學家
  • 構建可擴展容器化應用程式的 AI 開發人員
 14 小時

人數


每位參與者的報價

客戶評論 (3)

即將到來的課程

課程分類