感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
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
客戶評論 (2)
如前所述,对于像我这样没有经验的人来说,这是了解这些程序/工具等功能与用途的入门途径。
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
課程 - Docker and Kubernetes
機器翻譯
多层次、结构化的课程体系。
Bert Paelinckx - Cube SoftwareSolutions
課程 - Introduction to Docker
機器翻譯