聯繫我們
 課程時長 21 時間:

課程簡介

GPU 加速容器化簡介

  • 理解深度學習工作流中的 GPU 使用方式
  • Docker 如何支援基於 GPU 的工作負載
  • 關鍵效能考量事項

安裝與設定 NVIDIA Container Toolkit

  • 設定驅動程式與 CUDA 相容性
  • 驗證容器內的 GPU 存取權限
  • 設定執行環境

建置啟用 GPU 的 Docker 映像檔

  • 使用 CUDA 基礎映像檔
  • 在 GPU 就緒的容器中封裝 AI 框架
  • 管理訓練與推論的相依性

執行 GPU 加速的 AI 工作負載

  • 使用 GPU 執行訓練任務
  • 管理多 GPU 工作負載
  • 監控 GPU 利用率

優化效能與資源配置

  • 限制與隔離 GPU 資源
  • 優化記憶體、批次大小(batch size)及裝置放置
  • 效能調整與診斷

容器化推論與模型服務

  • 建置推論就緒的容器
  • 在 GPU 上服務高負載工作
  • 整合模型執行器與 API

使用 Docker 擴展 GPU 工作負載

  • 分散式 GPU 訓練策略
  • 擴展推論微服務
  • 協調多容器 AI 系統

啟用 GPU 的容器之安全性與可靠性

  • 確保共享環境中的 GPU 安全存取
  • 強化容器映像檔安全性
  • 管理更新、版本及相容性

總結與後續步驟

最低要求

  • 具備深度學習基礎知識的認知
  • 擁有 Python 及常見 AI 框架的使用經驗
  • 熟悉基本的容器化概念

目標學員

  • 深度學習工程師
  • 研發團隊
  • AI 模型訓練師

人數


每位參與者的報價

客戶評論 (2)

即將到來的課程

課程分類