Prenez contact avec nous

Plan du cours

Introduction à la conteneurisation accélérée par GPU

  • Compréhension de l'utilisation des GPU dans les flux de travail d'apprentissage profond
  • Comment Docker prend en charge les charges de travail basées sur les GPU
  • Principaux facteurs de performance à considérer

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 compatibles avec les GPU

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

Exécution de charges de travail d'IA accélérées par GPU

  • Exécution de tâches d'entraînement utilisant des GPU
  • Gestion des charges de travail multi-GPU
  • Suivi de l'utilisation des GPU

Optimisation des performances et de l'allocation des ressources

  • Limitation et isolation des ressources GPU
  • Optimisation de la mémoire, des tailles de lot et de l'affectation des appareils
  • Réglage des performances et diagnostic

Inférence conteneurisée et service de modèles

  • Création de conteneurs prêts pour l'inférence
  • Service de charges de travail élevées sur GPU
  • Intégration des lanceurs de modèles et des API

Mise à l'échelle des charges de travail GPU avec Docker

  • Stratégies pour l'entraînement distribué des GPU
  • Mise à l'échelle des microservices d'inférence
  • Coordination des systèmes d'IA multi-conteneurs

Sécurité et fiabilité des conteneurs compatibles avec les GPU

  • Garantie d'un accès sécurisé aux GPU dans les environnements partagés
  • Renforcement de la sécurité des images de conteneur
  • Gestion des mises à jour, des versions et de la compatibilité

Synthèse et prochaines étapes

Pré requis

  • Une compréhension des principes fondamentaux de l'apprentissage profond
  • Une expérience avec Python et des cadres d'IA courants
  • Une familiarité avec les concepts de base de la conteneurisation

Public cible

  • Ingénieurs en apprentissage profond
  • Équipes de recherche et de développement
  • Formateurs de modèles d'IA
 21 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires