Prenez contact avec nous
 Durée 21 heures

Plan du cours

Introduction à la conteneurisation accélérée par GPU

  • Comprendre l’utilisation du GPU dans les flux de travail d’apprentissage profond
  • Comment Docker prend en charge les charges de travail basées sur GPU
  • Considérations clés en matière de performance

Installation et configuration du NVIDIA Container Toolkit

  • Mise en place des pilotes et de la compatibilité CUDA
  • Validation de l’accès au GPU à l’intérieur des conteneurs
  • Configuration de l’environnement d’exécution

Création d’images Docker activées par GPU

  • Utilisation d’images de base CUDA
  • Emballage des cadres IA dans des conteneurs prêts pour le GPU
  • Gestion des dépendances pour l’entraînement et l’inférence

Exécution des charges de travail d’IA accélérées par GPU

  • Exécution de tâches d’entraînement à l’aide de GPU
  • Gestion des charges de travail multi-GPU
  • Surveillance de l’utilisation des GPU

Optimisation des performances et de l’allocation des ressources

  • Limiter et isoler les ressources GPU
  • Optimisation de la mémoire, des tailles de lots et du placement des appareils
  • Recherche de performance et diagnostics

Inférence conteneurisée et service de modèles

  • Construire des conteneurs prêts pour l’inférence
  • Servir des charges de travail à fort débit sur GPU
  • Intégration des exécuteurs de modèles et des API

Échelle des charges de travail GPU avec Docker

  • Stratégies pour l’entraînement distribué sur GPU
  • Échelle des microservices d’inférence
  • Coordination des systèmes d’IA multi-conteneurs

Sécurité et fiabilité pour les conteneurs activés par GPU

  • Assurer un accès GPU sécurisé dans les environnements partagés
  • Renforcer les images de conteneur
  • Gestion des mises à jour, des versions et de la compatibilité

Résumé et prochaines étapes

Pré requis

  • Une compréhension des fondements de l’apprentissage profond
  • Une expérience avec Python et les cadres IA courants
  • Une familiarité avec les concepts de base de la conteneurisation

Public cible

  • Ingénieurs en apprentissage profond
  • Équipes de recherche et développement
  • Formateurs de modèles IA

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires