Liên hệ với chúng tôi
 Thời gian kéo dài 21 Giờ học

Đề cương khóa học

Giới thiệu về Container hóa tăng tốc bằng GPU

  • Hiểu về việc sử dụng GPU trong các luồng công việc học sâu
  • Cách Docker hỗ trợ các tác vụ dựa trên GPU
  • Các yếu tố cân nhắc chính về hiệu suất

Cài đặt và Cấu hình NVIDIA Container Toolkit

  • Cài đặt trình điều khiển và khả năng tương thích CUDA
  • Thư mục quyền truy cập GPU bên trong các container
  • Cấu hình môi trường runtime

Xây dựng Các Ảnh Docker được kích hoạt bằng GPU

  • Sử dụng các ảnh cơ sở CUDA
  • Gói các framework AI trong các container sẵn sàng cho GPU
  • Quản lý các phụ thuộc cho việc huấn luyện và suy luận

Chạy Các Tác vụ AI tăng tốc bằng GPU

  • Thực thi các công việc huấn luyện sử dụng GPU
  • Quản lý các tác vụ đa GPU
  • Theo dõi mức độ sử dụng GPU

Tối ưu hóa Hiệu suất và Phân bổ Tài nguyên

  • Hạn chế và cách ly các tài nguyên GPU
  • Tối ưu hóa bộ nhớ, kích thước lô và vị trí thiết bị
  • Điều chỉnh hiệu suất và chẩn đoán

Suy luận và Cung cấp Mô hình trong Container

  • Xây dựng các container sẵn sàng cho suy luận
  • Cung cấp các tác vụ tải cao trên GPU
  • Tích hợp các trình chạy mô hình và API

Mở rộng Các Tác vụ GPU với Docker

  • Các chiến lược cho việc huấn luyện GPU phân tán
  • Mở rộng các microservice suy luận
  • Tọa độ các hệ thống AI đa container

Bảo mật và Độ tin cậy cho Các Container được kích hoạt bằng GPU

  • Đảm bảo truy cập GPU an toàn trong các môi trường chung
  • Củng cố các ảnh container
  • Quản lý các bản cập nhật, phiên bản và khả năng tương thích

Tóm tắt và Các Bước Tiếp theo

Yêu cầu

  • Hiểu biết về các nguyên lý cơ bản của học sâu
  • Kinh nghiệm làm việc với Python và các framework AI phổ biến
  • Quen thuộc với các khái niệm cơ bản về container hóa

Đối tượng tham gia

  • Kỹ sư học sâu
  • Đội ngũ nghiên cứu và phát triển
  • Đào tạo viên mô hình AI

Số người tham gia


Giá cho mỗi học viên

Đánh giá (2)

Các khóa học sắp tới

Các danh mục liên quan