Neem contact met ons op
 Duur 21 uren

Cursusaanbod

Inleiding tot GPU-geaccelereerde containerisatie

  • GPU-gebruik in diepleerworkflows begrijpen
  • Hoe Docker GPU-gebaseerde werkloads ondersteunt
  • Belangrijke prestatieoverwegingen

Installeren en configureren van het NVIDIA Container Toolkit

  • Stuurprogramma's en CUDA-compatibiliteit instellen
  • GPU-toegang binnen containers valideren
  • De runtime-omgeving configureren

Bouwen van GPU-geactiveerde Docker-images

  • Gebruik maken van CUDA-basisimages
  • AI-frameworks verpakken in GPU-klare containers
  • Afhankelijkheden voor training en inferentie beheren

Uitvoeren van GPU-geaccelereerde AI-workloads

  • Trainingsjobs uitvoeren met behulp van GPUs
  • Werkloads met meerdere GPUs beheren
  • GPU-gebruik monitoren

Optimaliseren van prestaties en resourceallocatie

  • GPU-resources beperken en isoleren
  • Gheheugen, batchgroottes en apparaatplaatsing optimaliseren
  • Prestatietuning en diagnostiek

Gecontaineerde inferentie en modelservering

  • Bouwen van inferentieklaar containers
  • Zware werkloads op GPUs serveren
  • Modelrunners en API's integreren

Schaalbaarheid van GPU-workloads met Docker

  • Strategieën voor gedistribueerde GPU-training
  • Infrentie-microservices schalen
  • Multi-container AI-systemen coördineren

Beveiliging en betrouwbaarheid voor GPU-geactiveerde containers

  • Veilige GPU-toegang in gedeelde omgevingen garanderen
  • Container-images versterken
  • Updates, versies en compatibiliteit beheren

Samenvatting en vervolgstappen

Vereisten

  • Verstaan van de basisprincipes van diep leeren
  • Ervaring met Python en veelgebruikte AI-frameworks
  • Vakbekwaamheid in basisbegrippen van containerisatie

Doelgroep

  • Diepleerengineers
  • O&O-teams
  • AI-modeltrainers

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën