GPU在数据中心越来越受欢迎,它可以加速机器学习和深度学习等数据密集型工作负载。现在,全球最大的GPU制造商Nvidia将推出一个与Kubernetes集群配合使用的用例,以加速深度学习模型的训练。
Nvidia本周二表示,将发布Kubernetes on Nvidia GPUs的候选版本,可供开发人员免费使用。该版本是针对那些在多云GPU集群上训练深度学习模型的企业。
Nvidia 是在Computer Vision and Pattern Recognition大会上宣布推出Kubernetes on Nvidia GPUs的,此外还推出了新版本的推理优化工具和运行时引擎TensorRT,以及名为DALI的GPU数据增强和图像加载库,旨在优化深度学习框架的数据管道。
Nvidia表示,推出Kubernetes on Nvidia GPUs背后的想法是为了让软件容器编排平台更加“GPU感知”。Kubernetes on Nvidia GPUs针对的是运行人工智能应用的容器,将帮助开发人员更好地协调散步在多个云主机的GPU集群。
Moor Insights&Strategy创始人兼首席分析师Patrick Moorhead表示:“这很重要,因为Kubernetes托管的应用现在可以利用GPU的性能了。这在虚拟机上将实现比以前更高的可扩展性。”
就在Nvidia这次发布的几周之前,谷歌刚刚在其Kubernetes Engine平台上发布了一个测试版的GPU,旨在加速图像处理和机器学习工作负载。谷歌当时表示,这个云GPU可用于创建由Nvidia Tesla V100、P100和K80处理器驱动的Kubernetes节点池。
Nvidia的TensorRT推理加速器是针对推理模型的开发者。该工具集成了谷歌开源的TensorFlow机器学习框架,并增加了新的层和功能,以加强针对推荐系统、神经机器翻译、图像分类和语音识别等应用的推理。
至于DALI,这是一项为JPEG图像编码提供GPU加速库的服务,旨在解决基于视觉的深度学习应用中的性能瓶颈,目的是为了帮助扩展图像分类系统如PyTorch、TensorFlow和ResNet-50的训练。AWS的P3 8-GPU实例以及Nvidia自己的DGX-1深度学习系统上都将提供DALI。
“深度学习研究人员需要他们的管道是便携的,”Nvidia加速计算软件和AI产品总监Kari Briski说。
好文章,需要你的鼓励
在多年实践与技术演进的双重推动下,紫鸾5.0应运而生,全面拥抱云原生、大数据和大模型等技术升级,通过不断创新、升级云产品与定制化的云服务,助力政企客户更好地应对当前和未来的挑战。
Luga继续探讨云原生网关Traefik及Kubernetes入口网络技术,解析Kubernetes网络需求、Pod隔离、跨节点访问、ClusterIP、NodePort服务等概念。Traefik作为Kubernetes Ingress控制器,提供易用性、自动化服务发现、动态负载均衡、中间件生态和安全保障。私有云中,MetalLB作为裸机Kubernetes的负载均衡器实现,支持ARP/NDP和BGP协议。Traefik的优势在于其自动化、扩展性和安全性,适用于多种复杂部署环境。
Gartner公司预测,到2027年,70%采用生成式人工智能(生成式AI)的企业将把可持续发展和数字主权作为选择公有云生成式AI服务的首要标准。
在高质量发展之路上,一些制造业的跨国公司也发挥了构建“新质生产力”的“领头羊”作用。以通力集团为例,扎根中国近30年以来,通力在中国累计发运台量已突破150万台,不仅满足了国内市场的需求,还将产品出口到全球100多个国家和地区,这被称为通力的“中国节奏”。