聯繫我們

課程簡介

GPU 加速容器化介紹

  • 理解 GPU 在深度學習工作流程中的應用
  • Docker 如何支援 GPU 工作負載
  • 關鍵效能考量

安裝與設定 NVIDIA 容器工具組

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

建置 GPU 啟用的 Docker 映像檔

  • 使用 CUDA 基礎映像檔
  • 在 GPU 就緒的容器中打包 AI 框架
  • 管理訓練與推理的相依性

執行 GPU 加速的 AI 工作負載

  • 使用 GPU 執行訓練工作
  • 管理多 GPU 工作負載
  • 監控 GPU 使用率

最佳化效能與資源分配

  • 限制與隔離 GPU 資源
  • 最佳化記憶體、批次大小及裝置放置
  • 效能調校與診斷

容器化推理與模型服務

  • 建置就緒推理容器
  • 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
  • 擴展推理微服務
  • 協調多容器 AI 系統

GPU 啟用容器安全性與可靠性

  • 確保共用環境中的 GPU 安全存取
  • 強化容器映像檔安全性
  • 管理更新、版本與相容性

總結與後續步驟

最低要求

  • 理解深度學習基礎概念
  • 具備 Python 及常見 AI 框架的經驗
  • 熟悉基本的容器化概念

目標受眾

  • 深度學習工程師
  • 研發團隊
  • AI 模型訓練師
 21 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