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
  • 為何容器是 ML 工作負載的理想選擇
  • 容器與虛擬機的主要差異

Docker 鏡像與容器的操作

  • 理解鏡像、層次結構和註冊表
  • 管理用於 ML 實驗的容器
  • 高效使用 Docker CLI

打包 ML 環境

  • 為容器化準備 ML 代碼庫
  • 管理 Python 環境和依賴項
  • 整合 CUDA 和 GPU 支持

為機器學習構建 Dockerfiles

  • 為 ML 項目結構化 Dockerfiles
  • 性能和可維護性的最佳實踐
  • 使用多階段構建(Multi-stage builds)

容器化 ML 模型與管道

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

運行容器化 ML 服務

  • 為模型推理暴露 API 端點
  • 使用 Docker Compose 擴展服務
  • 監控運行時行為

安全與合規考量

  • 確保安全的容器配置
  • 管理訪問權限和憑證
  • 處理機密的 ML 資產

部署至生產環境

  • 將鏡像發布到容器註冊表
  • 在本地或雲設置中部署容器
  • 生產服務的版本控制和更新

總結與後續步驟

最低要求

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

受眾對象

  • 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數據科學家
  • 構建可擴展容器化應用的 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