Neem contact met ons op

Cursusaanbod

Introductie tot GPU-geaccelereerde containerisatie

  • GPU-gebruik in diepleerworkflows begrijpen
  • Hoe Docker GPU-gedreven werkbelastingen ondersteunt
  • Belangrijke prestatieoverwegingen

Installeren en configureren van de NVIDIA Container Toolkit

  • Drivers 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 beheren voor training en inferentie

Uitvoeren van GPU-geaccelereerde AI-werkbelastingen

  • Trainingstaakken uitvoeren met behulp van GPUs
  • Meervoudige GPU-werkbelastingen beheren
  • GPU-gebruik monitoren

Prestaties en resourcenallocatie optimaliseren

  • GPU-ressourcen beperken en isoleren
  • Geheugen, batchgroottes en apparaatplaatsing optimaliseren
  • Prestatietuning en diagnostiek

Containeriseerde inferentie en modellevering

  • Inferentieklaarstellen van containers bouwen
  • Werkbelastingen met hoge belasting op GPUs leveren
  • Modelrunners en APIs integreren

GPU-werkbelastingen schalen met Docker

  • Strategieën voor gedistribueerde GPU-training
  • Microservices voor inferentie schalen
  • Multi-container AI-systemen coördineren

Beveiliging en betrouwbaarheid voor GPU-geactiveerde containers

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

Samenvatting en volgende stappen

Vereisten

  • Basiskennis van diepleerprincipes
  • Ervaring met Python en veelgebruikte AI-frameworks
  • Bekendheid met basisconcepten van containerisatie

Publiek

  • Diepleerningsingenieurs
  • O&O-teams
  • AI-modeltrainers
 21 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (3)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën